BG-NBD ve Gamma-Gamma ile CLTV Tahmini

Proje Açıklaması ✨🚀🌟

Bu proje, Miuul'un CRM analitiği eğitimi kapsamında geliştirilmiş bir case study'dir. FLO'nun satış ve pazarlama faaliyetleri için müşteri yaşam boyu değerini (Customer Lifetime Value - CLTV) tahmin ederek stratejik kararlar alınması hedeflenmiştir. BG-NBD ve Gamma-Gamma modelleri kullanılarak müşterilerin gelecekte şirkete sağlayacağı potansiyel değerin hesaplanması amaçlanmıştır.

Kullanılan Teknolojiler 🛠️

• Python: Genel programlama ve veri işleme için.
• Pandas: Veri manipülasyonu ve analizi için.
• NumPy: Sayısal işlemler ve veri yapılandırması için.
• Matplotlib/Seaborn: Verilerin görselleştirilmesi için.
• Lifetimes: BG-NBD ve Gamma-Gamma modellerinin uygulanması için.

Veri Seti Bilgileri 📊

Veri seti, FLO’nun 2020-2021 yılları arasında OmniChannel (hem online hem de offline) alışveriş yapan müşterilerinin geçmiş alışveriş davranışlarına dayanmaktadır. Aşağıdaki değişkenlerden oluşmaktadır:

• master_id: Eşsiz müşteri numarası
• order_channel: Alışveriş yapılan platform (Android, iOS, Desktop, Mobile)
• first_order_date: Müşterinin yaptığı ilk alışveriş tarihi
• last_order_date: Müşterinin yaptığı son alışveriş tarihi
• order_num_total_ever_online: Müşterinin online platformlarda yaptığı toplam alışveriş sayısı
• order_num_total_ever_offline: Müşterinin offline platformlarda yaptığı toplam alışveriş sayısı
• customer_value_total_ever_online: Müşterinin online alışverişlerde harcadığı toplam tutar
• customer_value_total_ever_offline: Müşterinin offline alışverişlerde harcadığı toplam tutar
• interested_in_categories_12: Müşterinin son 12 ayda alışveriş yaptığı kategoriler

Proje Adımları ⚙️

Görev 1: Veriyi Hazırlama 🤔

1. flo_data_20K.csv verisini okuyun.
2. Aykırı değerleri baskılamak için gerekli fonksiyonları oluşturun.
   • outlier_thresholds ve replace_with_thresholds fonksiyonları.
3. Belirli değişkenlerdeki (ör. order_num_total_ever_online, customer_value_total_ever_online) aykırı değerleri baskılayın.
4. Müşterilerin toplam alışveriş sayısı ve harcaması için yeni değişkenler oluşturun.
5. Tarih değişkenlerini datetime formatına çevirin.

Görev 2: CLTV Veri Yapısının Oluşturulması 🤩

1. Analiz tarihi olarak veri setindeki en son alışveriş tarihinden 2 gün sonrasını alın.
2. Yeni bir CLTV DataFrame oluşturun (customer_id, recency_cltv_weekly, T_weekly, frequency, monetary_cltv_avg).

Görev 3: BG/NBD ve Gamma-Gamma Modellerinin Kurulması

1. BG-NBD modelini kurarak müşterilerin 3 ve 6 ay içinde beklenen satın almalarını tahmin edin.
   • Sonuçları exp_sales_3_month ve exp_sales_6_month olarak kaydedin.
2. Gamma-Gamma modelini kullanarak müşterilerin ortalama bırakacakları değeri tahmin edin (exp_average_value).
3. 6 aylık CLTV'yi hesaplayarak cltv değişkenine ekleyin.
   • En yüksek CLTV değerine sahip 20 müşteriyi gözlemleyin.

Görev 4: CLTV Değerine Göre Segmentlerin Oluşturulması

1. Müşterileri 6 aylık CLTV değerine göre 4 segmente ayırın (ör. A, B, C, D).
2. Segment bilgilerini veri setine ekleyin ve her segment için analiz yapın.

Lisans 📜

Copyright © Miuul, Inc. All Rights Reserved