Przejdź do treści

Customer Segmentation

Segmentacja klientów centrum handlowego przy użyciu K-Means clustering

📋 Opis Projektu

Projekt segmentacji klientów wykorzystujący algorytm K-Means i PyCaret. Model automatycznie dzieli klientów na grupy o podobnych zachowaniach zakupowych, umożliwiając targetowane kampanie marketingowe.

🎯 Cel Biznesowy

  • Identyfikacja grup klientów o podobnych zachowaniach
  • Personalizacja ofert marketingowych
  • Optymalizacja strategii sprzedaży
  • Lepsze zrozumienie bazy klientów

� Jupyter Notebook

  • Zobacz Notebook

    Segmentacja klientów z K-Means: analiza, clustering i business insights.

�📊 Dataset

Mall Customers Dataset

Cechy: - Customer ID - Gender (płeć) - Age (wiek) - Annual Income (roczny dochód w k$) - Spending Score (punkty wydatków 1-100)

🛠️ Technologie

  • Python, PyCaret (Clustering)
  • Scikit-learn (K-Means)
  • Pandas, NumPy
  • Matplotlib, Seaborn

📈 Wyniki

Optymalna liczba klastrów: 5 segmentów

Zidentyfikowane Segmenty:

  1. High Value Customers 💎
  2. Wysoki dochód + High spending

  3. Premium target group

  4. Potential Customers 🎯

  5. Wysoki dochód + Low spending

  6. Opportunity for upselling

  7. Average Customers 👥

  8. Średni dochód + Średnie spending

  9. Largest segment

  10. Young Shoppers 👦

  11. Niski dochód + High spending

  12. Future high-value customers

  13. Budget Conscious 💰

  14. Niski dochód + Low spending
  15. Require promotional offers

💡 Insights Biznesowe

Rekomendacje marketingowe: - Segment 1: Luxury products, VIP programs - Segment 2: Upselling campaigns, product recommendations - Segment 3: Loyalty programs, seasonal promotions - Segment 4: Youth-oriented products, flexible payment - Segment 5: Discounts, budget options

🎓 Czego się Nauczyłem

  • K-Means clustering i wybór optymalnej liczby klastrów
  • PyCaret dla unsupervised learning
  • Business interpretation of clusters
  • Visualization of segmentation results

Status: ✅ Ukończony
Segmenty: 5 grup klientów
Algorytm: K-Means (PyCaret)