Customer Segmentation Analysis

تحليل وتقسيم العملاء باستخدام Machine Learning – Online Retail

مشروع لتحليل بيانات معاملات متجر إلكتروني بهدف فهم سلوك العملاء وتقسيمهم إلى مجموعات متشابهة يمكن استخدامها لدعم القرارات التسويقية وتحسين استراتيجيات التعامل مع العملاء.

بدأت بتحليل وتنظيف بيانات المعاملات، ومعالجة القيم المفقودة والبيانات غير المناسبة للتحليل، ثم إنشاء متغيرات تساعد على قياس سلوك كل عميل بدلًا من التعامل مع كل معاملة بشكل منفصل.

اعتمدت على RFM Analysis لتحليل العملاء من خلال ثلاثة أبعاد رئيسية:

Recency: مدى حداثة آخر عملية شراء للعميل.

Frequency: عدد مرات الشراء.

Monetary: القيمة الإجمالية لمشتريات العميل.

بعد بناء خصائص RFM، تم استخدام K-Means Clustering لتقسيم العملاء إلى مجموعات بناءً على تشابه سلوكهم الشرائي، مع اختبار عدد مختلف من الـclusters واستخدام Silhouette Score للمساعدة في تقييم جودة التقسيم.

لم يكن الهدف مجرد إنشاء clusters، ولكن فهم معنى كل مجموعة من خلال تحليل خصائصها، مثل العملاء الأكثر نشاطًا وقيمة، والعملاء الأقل تفاعلًا، والعملاء الذين يحتاجون إلى استراتيجيات مختلفة لإعادة تنشيطهم.

أهم ما تم تنفيذه:

• تنظيف ومعالجة بيانات معاملات المتجر

• تحليل سلوك العملاء باستخدام RFM Analysis

• Feature Engineering وإنشاء خصائص على مستوى العميل

• تطبيق K-Means Clustering

• تحديد عدد الـClusters المناسب باستخدام Silhouette Score

• تحليل وتفسير خصائص كل Customer Segment

• تحويل نتائج الـMachine Learning إلى Insights يمكن استخدامها في اتخاذ القرارات التسويقية

التقنيات المستخدمة:

Python, Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn, K-Means Clustering, RFM Analysis