Reto 10: Segmentando

Eres a inxeñeira de datos dunha empresa multinacional de roupa

Descubre o que se agocha detrás das campañas de márketing e ofertas, e transforma o futuro da túa empresa.

Copilot. *Inxeñeira de Datos na Moda* (CC BY-SA)

Tarefa 1:Segmentación de Clientes para Identificar Clientes Premium e Oportunistas

Duración:: 50 min
Agrupamento:: 2

Obxectivo Empresarial: A empresa desexa identificar segmentos de clientes para personalizar as campañas de marketing. O obxectivo é distinguir un grupo de clientes "premium" (que gastan moito, teñen unha alta frecuencia de compras e, geralmente, deixan boas valoracións) dun conxunto de clientes que poden ser máis oportunistas ou de baixo gasto.

Columnas Suxeridas:

Purchase Amount (Gasto): Indica o volume de compra.
Frequency of Purchases (Frecuencia de Compras): Representa a lealdade ou frecuencia de compra.
Review Rating (Valoración das Opinións): Reflicte o nivel de satisfacción.

Instruccións

Utilizade o voso programa de preprocesamento para asegurarse de que as columnas seleccionadas son numéricas, se non convírteas, se é preciso cambiando as categorías a valores concretos numéricos recoñecibles. Se algunha non o está, aplicade o preprocesamento necesario (por exemplo, transformar "Frequency of Purchases" se vén en formato categórico, e nº de días weekly=7 etc).
Ejecutade o o programa de clustering empregando K-Means, pedindo ao usuario que elixa o número de clusters (por exemplo, entre 2 e 10).
Xenerade a gráfica global dos clusters (2D se se escolledes dúas dimensións ou 3D se se escollen as tres) para ver a distribución dos clientes segundo estas variables.
Interpretade as diferentes agrupacións:
- Un cluster con valores consistentemente positivos en "Purchase Amount" e "Frequency of Purchases" (e con boas "Review Rating") podería identificarse como o segmento premium.
- Outros clusters, con valores máis baixos nestas dimensións, poderían representar clientes que gastan menos ou que compran de forma máis ocasional.
Extraede conclusións relevantes para orientar estratexias de marketing e programas de fidelización.

Arquivo de datos preprocesado (csv - 39103 B)

Creación propia. *Resultado clustering* (CC BY-SA)

Baseándonos exclusivamente na gráfica, podemos extraer as seguintes conclusións para orientar estratexias de márketing e programas de fidelización:

Clúster Laranxa (Clúster 1): Todos os puntos deste grupo sitúanse no eixo Y, que representa a Frecuencia de Compra, no seu valor máximo. É dicir, estes clientes realizan compras coa maior frecuencia, independentemente dos seus valores de Gasto (eixo X) e Valoración da Compra (eixo Z).
- Conclusión práctica: Este segmento representa clientes moi activos. Para eles pódense deseñar programas de fidelización que premien a súa constancia (por exemplo, ofertas exclusivas ou acumulación de puntos por cada compra) e estratexias de cros-selling, dada a súa alta interacción.
Clúster Azul (Clúster 0): Este grupo mostra unha dispersión no eixo X, o que indica un continuo de valores en Gasto. Sitúanse nun rango moderado de Frecuencia de Compra (aínda que algo inferior á máxima) e presentan todas as Valoracións Positivas (eixo Z).
- Conclusión práctica: Os clientes deste clúster están satisfeitos e teñen un comportamento de compra estable. Pódeselles incentivar para aumentar a súa frecuencia de compra, ofrecendo promocións personalizadas ou programas de lealdade que impulsen maiores investimentos nas súas compras.
Clúster Verde (Clúster 2): Similar en canto ao rango de Gasto e Frecuencia de Compra ao clúster azul, os clientes deste grupo distínguense porque todas as súas Valoracións son negativas, situándose no eixo Z no rango negativo.
- Conclusión práctica: Este segmento presenta un claro indicador de insatisfacción cara á súa experiencia de compra. É fundamental investigar as causas destas valoracións negativas. Estratexias de márketing dirixidas a mellorar a experiencia do cliente (por exemplo, mediante un servizo postventa reforzado, enquisas de satisfacción ou campañas de recuperación) poden ser necesarias para reter e transformar a estes clientes en usuarios leais.

A gráfica permite segmentar aos clientes en tres grupos claramente diferenciados: un moi activo en frecuencia, outro estable e satisfeito, e outro con baixa valoración a pesar de ter hábitos de compra similares ao segundo. Cada grupo debe ser abordado con estratexias específicas, optimizando os recursos de márketing e os programas de fidelización para maximizar a rendibilidade e a satisfacción do cliente.

Rúbrica de avaliación

**Rúbrica Reto 10-Tarefa 1: Segmentación de Clientes para Identificar Clientes Premium e Oportunistas**
Criterio	Excelente (9-10)	Bo (7-8)	Aceptable (5-6)	Mellorable (3-4)	Moi mellorable (0-2)
Preprocesamento dos datos	Asegura que todas as columnas son numéricas e realiza conversións necesarias.	Preprocesamento correcto pero con pequenas dificultades na conversión.	Datos preprocesados pero con inconsistencias na estrutura.	Erro na conversión dos datos.	Non realiza preprocesamento dos datos.
Selección adecuada do número de clusters	Permite ao usuario elixir correctamente entre distintos números de clusters.	Selección de clusters axeitada pero con melloras posibles na interpretación.	Clusters determinados pero con dificultades na lectura dos resultados.	Erro na elección do número de clusters.	Non permite ao usuario seleccionar o número de clusters.
Implementación do algoritmo K-Means	K-Means correctamente configurado e aplicado aos datos.	Algoritmo correctamente implementado pero con pequenas melloras posibles.	Algoritmo funcional pero con problemas na parametrización.	Erro na aplicación de K-Means aos datos.	Non implementa clustering.
Visualización gráfica dos clusters	Gráfica 2D ou 3D ben feita para visualizar a segmentación.	Gráfica adecuada pero con melloras posibles na presentación.	Visualización realizada pero con dificultade na lectura dos clusters.	Erro na visualización dos clusters.	Non xera unha representación gráfica dos datos.
Interpretación dos clusters	Segmentos claramente explicados con estratexias de márketing específicas.	Interpretación axeitada pero con melloras posibles na análise.	Clusters analizados pero con dificultades na interpretación.	Erro na explicación dos segmentos.	Non realiza interpretación dos clusters.
Propostas de estratexias de márketing	Descrición detallada de accións específicas para cada segmento.	Propostas de estratexias ben feitas pero con melloras posibles.	Ideas de márketing pouco desenvolvidas.	Erro na formulación de estratexias.	Non propón estratexias.
Actitude ante os problemas	Busca solucións e optimiza os procesos de segmentación.	Resolve os problemas con esforzo e consulta documentación.	Resolve con dificultades pero sen explorar melloras.	Resígnase ante os erros sen buscar alternativas.	Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo	Comunicación eficaz e traballo equilibrado en parella.	Traballo en equipo con pequenas dificultades.	Interacción mínima, traballo case independente.	Pouca colaboración, realízase gran parte do traballo de forma individual.	Non colabora coa parella nin contribúe ao traballo conxunto.

Tarefa 2:Segmentación Baseada en Perfil Demográfico e Comportamento de Compra

Duración:: 50 min
Agrupamento:: 2

Obxectivo Empresarial: A multinacional de roupa pretende mellorar a súa comunicación e ofertas promocionais mediante a segmentación dos clientes segundo características demográficas e comportamentais. O reto consiste en identificar segmentos baseados na idade, sexo, na frecuencia de compras e na satisfacción (valoración), para axustar os mensaxes publicitarias e os canais de comunicación segundo o perfil do cliente.

Columnas Suxeridas:

Age (Idade): Indica a variable demográfica clave.
Frequency of Purchases (Frecuencia de Compras): Reflicte o comportamento de compra.
Review Rating (Valoración das Opinións): Serve como indicador do nivel de satisfacción co servizo ou produto.

Instruccións

Verificade que as columnas "Age", "Frequency of Purchases" e "Review Rating" están en formato numérico. Se algunha non o está, aplicade o preprocesamento necesario (por exemplo, transformar "Frequency of Purchases" se vén en formato categórico, e nº de días weekly=7 etc).
Aplicade o programa de K-Means para formar clusters, solicitando o número de clusters axeitado (entre 2 e 10, por exemplo).
Xenerade unha gráfica global de clusters (2D ou 3D, dependendo da selección) que amose como se distribúen os clientes segundo a súa idade, sexo, frecuencia de compras e valoracions.
Analizade os clusters:
- Observade se algunha agrupación ten clientes máis novos con alta frecuencia de compras e valoracions elevadas, o que podería indicar un segmento ideal para ver tendencias e utilizar canles dixitais.
- Outras agrupacións, con clientes de maior idade e menor frecuencia de compras, poderían interpretarse como segmentos que, a pesar de ser máis leais, poden necesitar unha atención diferenciada.
Presentade conclusiones prácticas para que a compañía adapte as súas estratexias de comunicación e ofertas promocionais segundo os segmentos identificados.

Arquivo de datos procesado (csv - 35198 B)

Creación propia. *Segmentación en 4 clústeres* (CC BY-SA)

Facendo 4 clusteres:

Baseándonos exclusivamente na gráfica descrita, podemos extraer conclusións prácticas que axudan á compañía a adaptar as súas estratexias de comunicación e ofertas promocionais segundo os segmentos identificados:

Cluster Vermello:Este grupo caracterízase por unha Frecuencia de Compra elevada, ocupando valores altos no eixo Y. A pesar diso, mostra un plano continuo en Idade e Gasto, sen tendencias específicas nestes eixes.
- Conclusión práctica: Este segmento é ideal para campañas que manteñan a lealdade e a frecuencia de compras, como programas de recompensa exclusivos por compras constantes ou acceso prioritario a novos produtos.
Cluster Verde(pouco gasto e poucas compras):Este grupo presenta valores baixos en Frecuencia de Compra e Gasto negativo, cun continuo en Idade sen tendencias destacadas.
- Conclusión práctica: Este segmento pode ser incentivado con ofertas que aumenten o gasto e a frecuencia de compra, como campañas de descontos por volume ou promocións específicas para estimular a participación. A empresa debería explorar produtos atractivos que poidan axustarse ás preferencias deste grupo, reducindo así a falta de interacción.
Cluster Azul(moito gasto e poucas compras,xente adulta):Similar ao cluster verde en Frecuencia de Compra baixa, pero con valores positivos tanto en Gasto como en Idade(adultos).
- Conclusión práctica: Este segmento destaca pola súa capacidade de gasto e idade alta, o que pode interpretarse como un comportamento de compra estable. Estratexias de marketing que incentiven a frecuencia de compra, como programas de fidelización ou descontos exclusivos para clientes frecuentes e produtos para este rango de idade, poderían ser especialmente efectivos para este grupo.
Cluster Laranxa(moito gasto, poucas compras, xente nova):O grupo máis disperso, con valores negativos en Idade(xente nova), unha combinación de valores negativos e positivos en Frecuencia de Compra e valores positivos en Gasto.
- Conclusión práctica: Este segmento require un enfoque diversificado debido á súa alta variabilidade. Campañas segmentadas e personalizadas poderían ser necesarias para atender as diferentes necesidades. Por exemplo, os clientes con baixa frecuencia de compra dentro deste cluster poderían recibir incentivos para aumentar o seu compromiso, mentres que os clientes con gasto positivo poderían beneficiarse de ofertas premium ou servizos exclusivos.

Rúbrica de avaliación

**Rúbrica Reto 10-Tarefa 2: Segmentación Baseada en Perfil Demográfico e Comportamento de Compra**
Criterio	Excelente (9-10)	Bo (7-8)	Aceptable (5-6)	Mellorable (3-4)	Moi mellorable (0-2)
Preprocesamento dos datos	Transforma correctamente todas as columnas en valores numéricos e garante a calidade do dataset.	Conversión de datos ben feita pero con pequenas melloras posibles.	Datos preprocesados pero con inconsistencias ocasionais.	Erro na conversión das variables.	Non realiza preprocesamento dos datos.
Selección do número de clusters	Permite ao usuario elixir correctamente entre distintos números de clusters.	Selección de clusters axeitada pero con melloras posibles na interpretación.	Clusters determinados pero con dificultades na lectura dos resultados.	Erro na elección do número de clusters.	Non permite ao usuario seleccionar o número de clusters.
Implementación do algoritmo K-Means	K-Means correctamente configurado e aplicado aos datos.	Algoritmo correctamente implementado pero con pequenas melloras posibles.	Algoritmo funcional pero con problemas na parametrización.	Erro na aplicación de K-Means aos datos.	Non implementa clustering.
Visualización gráfica dos clusters	Gráfica 2D ou 3D ben feita para visualizar a segmentación.	Gráfica adecuada pero con melloras posibles na presentación.	Visualización realizada pero con dificultade na lectura dos clusters.	Erro na visualización dos clusters.	Non xera unha representación gráfica dos datos.
Interpretación dos clusters	Segmentos claramente explicados con estratexias específicas para cada grupo.	Interpretación axeitada pero con melloras posibles na análise.	Clusters analizados pero con dificultades na interpretación.	Erro na explicación dos segmentos.	Non realiza interpretación dos clusters.
Propostas de estratexias de márketing	Descrición detallada de accións específicas para cada segmento.	Propostas ben feitas pero con melloras posibles.	Ideas de márketing pouco desenvolvidas.	Erro na formulación de estratexias.	Non propón estratexias.
Adaptación das estratexias a cada segmento	Explica con detalle como cada segmento require comunicación e accións específicas.	Estratexias ben formuladas pero con pequenas melloras posibles.	Segmentación explicada pero con propostas de márketing pouco concretas.	Erro na adaptación das estratexias.	Non realiza adaptación das estratexias.
Actitude ante os problemas	Busca solucións e optimiza os procesos de segmentación.	Resolve os problemas con esforzo e consulta documentación.	Resolve con dificultades pero sen explorar melloras.	Resígnase ante os erros sen buscar alternativas.	Non intenta resolver os problemas ou abandona o traballo.
Traballo colaborativo	Comunicación eficaz e traballo equilibrado en parella.	Traballo en equipo con pequenas dificultades.	Interacción mínima, traballo case independente.	Pouca colaboración, realízase gran parte do traballo de forma individual.	Non colabora coa parella nin contribúe ao traballo conxunto.

Licenciado baixo a Licenza Creative Commons Atribución Compartir igual 4.0