Цель проекта: сформулировать рекомендации маркетплейсу на основе анализа данных.
Задачи проекта: проанализировать совершенные покупки и ответить на следующие вопросы:
- Сколько было пользователей, которые совершили покупку только один раз?
- Сколько заказов в месяц в среднем не доставляется по разным причинам? Вывести детализацию по причинам.
- По каждому товару определить в какой день недели товар чаще всего покупается.
- Сколько у каждого из пользователей в среднем покупок в неделю (по месяцам)?
- Выполнить когортный анализ пользователей. В период с января по декабрь выявить когорту с самым высоким retention на третий месяц.
- Построить RFM-сегментацию пользователей для качественной оценки аудитории.
Шаги:
- Использовала API для загрузки датасетов.
- Провела EDA и предобработку данных.
- Проанализировала поведение пользователей и работу доставки заказанных товаров.
- Провела когортный анализ пользователей.
- Построила RFM-сегментацию пользователей.
Результаты:
Когортный анализ показал, что когорты 2017-05 и 2017-09 имеют наивысший retention на 3й месяц.
RFM-сегментация выявила, что основная масса клиентов маркетплейса относится к сегменту спящих клиентов. Новички составляют 24%, а уходящие клиенты - 18%. Постоянных клиентов в лице "ядра" и "лояльных" у маркетплейса практически нет (менее 1%). Потеряно 6% клиентов.
Сформулировала следующие рекомендации:
- Выяснить у спящих клиентов почему они потеряли интерес и разработать акционные предложения с учетом их ответов.
- Необходимо простимулировать новичков на повторную покупку, нужно обязательно проинформировать их о выгодах маркетплейса (программы лояльности, скидки от партнеров, подарки к праздникам, розыгрыши призов и т.п.), которые помогут заинтересовать их сделать вторую, третью покупку и стать в перспективе лояльными клиентами.
- Напомнить о маркетплейсе уходящим клиентам. Выяснить почему они реже стали совершать покупки и разработать акционные предложения с учетом их ответов.
- Пересмотреть акционные предложения для "китов", лояльных клиентов и "ядра".
Описание данных:
olist_customers_datase.csv — таблица с уникальными идентификаторами пользователей
- customer_id — позаказный идентификатор пользователя
- customer_unique_id — уникальный идентификатор пользователя (аналог номера паспорта)
- customer_zip_code_prefix — почтовый индекс пользователя
- customer_city — город доставки пользователя
- customer_state — штат доставки пользователя
olist_orders_dataset.csv — таблица заказов
- order_id — уникальный идентификатор заказа (номер чека)
- customer_id — позаказный идентификатор пользователя
- order_status — статус заказа
- order_purchase_timestamp — время создания заказа
- order_approved_at — время подтверждения оплаты заказа
- order_delivered_carrier_date — время передачи заказа в логистическую службу
- order_delivered_customer_date — время доставки заказа
- order_estimated_delivery_date — обещанная дата доставки
olist_order_items_dataset.csv — товарные позиции, входящие в заказы
- order_id — уникальный идентификатор заказа (номер чека)
- order_item_id — идентификатор товара внутри одного заказа
- product_id — ид товара (аналог штрихкода)
- seller_id — ид производителя товара
- shipping_limit_date — максимальная дата доставки продавцом для передачи заказа партнеру по логистике
- price — цена за единицу товара
- freight_value — вес товара
Уникальные статусы заказов в таблице olist_orders_dataset:
- created — создан
- approved — подтверждён
- invoiced — выставлен счёт
- processing — в процессе сборки заказа
- shipped — отгружен со склада
- delivered — доставлен пользователю
- unavailable — недоступен
- canceled — отменён
Используемые библиотеки:
pandas matplotlib seaborn requests urlencode datetime attrgetter warnings interactiveshell