Segmentación de clientes para Fashion Retail Co.

Problema de negocio

• Promociones genéricas con bajo ROI.
• Alta tasa de desuscripción en campañas, reflejando baja fidelidad.

Solución propuesta

Implementar un análisis RFM (Recencia, Frecuencia, Monetario) y clustering K‑Means (k=4) para identificar segmentos clave:

• Champions (alto valor)
• At Risk (necesitan reenganche)
• Recent Buyers, Frequent Buyers y Others (oportunidades de up‑sell y cross‑sell)

Principales hallazgos

Segmento	Clientes	Gasto mediano (USD)	ROI simulado
Champions	23	2 200	143 %
At Risk	32	1 350	667 %
Recent Buyers	48	1 800	200 %
Frequent Buyers	20	1 900	180 %
Others	39	1 500	200 %

Recomendaciones generales

1. Automatizar la segmentación RFM mensual para alimentar campañas personalizadas.
2. Bundles de $40–$60 USD con descuentos ligeros para elevar ticket medio.
3. Programa de fidelidad y referidos para impulsar frecuencia de compra.
4. Cupones de re‑enganche (15 % off) para clientes "At Risk".
5. Promociones en días valle (e.g., "Happy Tuesday").

Fases del proyecto

1. Limpieza y preparación (Fase 1)
   • Carga de datos, conversión de fechas, tratamiento de nulos y outliers, normalización de categorías.
2. EDA (Fase 2)
   • Estadísticas univariantes, análisis de variables categóricas y tendencias temporales.
3. Cálculo RFM (Fase 3)
   • Definición de snapshot_date, agregación por cliente, scoring por quintiles, etiquetado de segmentos.
4. Clustering K‑Means (Fase 4)
   • Estandarización de features, elección de k (Elbow, Silhouette), entrenamiento y caracterización de clusters.
5. Visualización (Fase 5)
   • Scatter R vs F, boxplots de monetary, tamaños de clusters, análisis visual para storytelling.
6. Recomendaciones y simulación de ROI (Fase 6)
   • Estrategias por segmento, bundles, fidelidad, re‑enganche, promociones estacionales, cálculo de ROI.

---

---

---

✨¡Gracias por visitar este repositorio!✨