📈 Análise RFM com Dataset Online Retail

🎯 Objetivo do Projeto

Este projeto aplica a metodologia de Recência, Frequência e Valor Monetário (RFM) sobre o Online Retail Dataset da UCI Machine Learning Repository. O objetivo é segmentar a base de clientes em grupos distintos com base em seu comportamento de compra (quão recente, frequente e valioso), identificando segmentos chave como 'Campeões', 'Fiéis', 'Em Risco', 'Perdidos', 'Hibernados', etc., para embasar decisões estratégicas de marketing e retenção.

🛠️ Tecnologias Utilizadas

• Python 3.9+ (ou a versão que estiver usando)
• Polars: Para manipulação e preparação de dados de alta performance (conforme nossas conversas anteriores). (Se estiver usando Pandas primariamente, ajuste aqui).
• ucimlrepo: Para buscar o dataset diretamente da UCI via API.
• Matplotlib & Seaborn: Para visualização dos dados e resultados da segmentação.
• Jupyter Lab / Notebook: Para desenvolvimento e execução interativa da análise.

⚙️ Configuração e Instalação

1. Clone o repositório (se aplicável):

   git clone https://github.com/geangobo/rfm_analysis
   cd rfm_analysis 

2. (Recomendado) Crie um Ambiente Virtual:

   python -m venv venv
   # No Windows:
   venv\Scripts\activate
   # No macOS/Linux:
   source venv/bin/activate

3. Instale as dependências: Certifique-se de ter um arquivo requirements.txt no seu projeto que inclua polars, ucimlrepo, matplotlib, seaborn, jupyterlab (ou notebook), etc.

   Para instalar os pacotes necessários, execute:

   pip install -r requirements.txt

   (Se não tiver o requirements.txt, você pode criar um após instalar tudo com pip freeze > requirements.txt)

▶️ Execução da Análise

1. Dados de Entrada: Os dados do "Online Retail Dataset" são buscados diretamente da UCI Machine Learning Repository via API usando a biblioteca ucimlrepo dentro do notebook. Não é necessário download manual prévio do dataset.
2. Execute o Notebook: Abra o Jupyter Lab ou Jupyter Notebook, navegue até a pasta src/ e execute as células do notebook principal (ex: rfm_analysis_notebook.ipynb - substitua pelo nome real do seu notebook). O notebook guiará pelo processo de:
   • Busca dos dados.
   • Pré-processamento e limpeza.
   • Cálculo das métricas e scores RFM.
   • Segmentação dos clientes.
   • Geração de visualizações.
3. Resultados: O processo irá gerar:
   • Logs e saídas diretamente no notebook.
   • Visualizações gráficas (ex: Treemap, gráficos de barras, histogramas).
   • (Opcional) Um arquivo de saída (ex: .csv ou .parquet) com o DataFrame final contendo os clientes e seus respectivos segmentos RFM, se implementado no código.

💡 Conceitos Chave

• RFM (Recency, Frequency, Monetary Value): 🔑 Técnica para segmentar clientes baseada no histórico de compras:
  • Recência (R): ⏱️ Tempo desde a última compra (Menor = Melhor).
  • Frequência (F): 🔄 Número de compras em um período (Maior = Melhor).
  • Valor Monetário (M): 💰 Gasto total no período (Maior = Melhor).
• Pontuação/Scoring RFM: 🔢 Atribuição de notas (ex: 1-5 ou A-E) para cada dimensão RFM, geralmente baseada em quantis (ex: quintis), para comparar clientes em uma escala comum e relativa à base de dados.
• Segmentação RFM: 🧩 Agrupamento de clientes com base em seus scores RFM combinados para criar personas acionáveis (ex: Campeões, Fiéis, Atenção, Em Risco, Perdidos, etc.), permitindo ações de marketing e relacionamento mais direcionadas.

📊 Exemplos de Visualizações Geradas

• Treemap: Visualização da distribuição dos segmentos de clientes (ex: por Valor Total Gasto ou por Contagem de Clientes em cada segmento).
• Gráficos de Barras: Contagem de clientes por segmento RFM ou valor médio por segmento.
• Histogramas/Boxplots: Análise da distribuição das métricas R, F e M para cada segmento.
• Gráficos de Dispersão: Relação entre Recência vs Frequência ou Frequência vs Valor, coloridos por segmento RFM.