Segmentation Client & Recommandation Produit

Application en ligne: customer-segmentation-project-591h.onrender.com

---

Contexte Business

Solution d’analytics retail qui transforme les données transactionnelles en segments clients dynamiques et en recommandations opérationnelles, permettant d’optimiser le ciblage marketing, la fidélisation et le chiffre d’affaires.

Valeur Business:

• Identification de la valeur client via scoring RFM
• Detection des clients a risque et opportunites de croissance
• Recommandations cross-sell par analyse de panier
• Actions prioritaires par segment

---

Fonctionnalites du Dashboard

Onglet	Description
Synthese Executive	KPIs globaux, alertes business, concentration 80/20
Performance Segments	Profil RFM, radar chart, actions recommandees
Actions Prioritaires	Matrice d'actions, clients haute valeur a risque
Client 360	Vue individuelle, historique, recommandations produit

---

Approche Technique

Composant	Methode	Output
Segmentation	Analyse RFM (Recence, Frequence, Montant)	6 segments clients
Regles d'Association	Algorithme Apriori	Affinites produits avec lift
Recommandations	Hybride (Association + Segment)	Top-N suggestions personnalisees

---

Stack Technique

Couche	Technologie
Frontend	Streamlit
Traitement Donnees	Pandas
ML/Analytics	Scikit-learn, MLxtend (Apriori)
Visualisation	Plotly
Deploiement	Render

---

Structure du Projet

customer_segmentation_project/
├── app.py                      # Application Streamlit
├── scripts/
│   └── precompute.py           # Pre-calcul des donnees
├── src/
│   ├── data_preprocessing.py
│   ├── rfm_analysis.py
│   ├── basket_analysis.py
│   ├── recommendations.py
│   ├── metrics.py
│   └── visualization.py
├── data/
│   └── processed/              # Donnees pre-calculees
├── config/
│   └── config.yaml
├── requirements.txt
└── render.yaml

---

Installation et Deploiement

Installation Locale

git clone https://github.com/Souley225/customer_segmentation_project.git
cd customer_segmentation_project
python -m venv .venv && .venv\Scripts\activate
pip install -r requirements.txt

Workflow de Deploiement

# 1. Pre-calculer les donnees (execution locale)
python scripts/precompute.py

# 2. Commiter les fichiers pre-calcules
git add data/processed/
git commit -m "Mise a jour donnees pre-calculees"

# 3. Deployer
git push

Le pre-calcul reduit le temps de demarrage de ~60s a ~2s.

Lancement Local

streamlit run app.py

---

Source de Donnees

UCI Machine Learning Repository — Online Retail Dataset

---

Licence

MIT