Insiders Clustering: Construção de um programa de fidelidade com Clusterização de clientes
Uma empresa de e-commerce está interessada em criar um programa de fidelidade chamado Insiders,
que será formado pelos clientes mais valiosos da sua base. O objetivo é aumentar o faturamento da
empresa através de campanhas de marketing personalizadas para cada grupo de clientes e fidelizar os
clientes mais valiosos. Confira os detalhes deste projeto no qual eu segmento a base de clientes
usando algoritmos de clusterização que definem quem serão os clientes elegíveis a participar do
seleto grupo. O modelo criado identificou um grupo de 36 clientes com alto valor para o negócio cujo
faturamento gerado para a empresa foi de 2,3 milhões/ano.
As ferramenta utilizadas foram:
- Git, GitHub
- Python, Pandas, Matplotlib e Seaborn
- Jupyter Notebook
- K-Means, Hierarquical Clustering, DBScan e Gaussian Mixture Model
- AWS Cloud (EC2, S3, Postgres, SQLite)
- Metabase Visualization
Health Insurance Cross-sell: Rankeamento de clientes para uma campanha de marketing
Uma empresa de seguros de saúde está interessada em oferecer um novo produto aos seus clientes: um
seguro de automóvel. Contudo, seu time de marketing possui uma limitação de alcance de 20 mil ligações
e não sabe para quem oferecer primeiro. Confira os detalhes deste projeto no qual, através de
algoritmos de classificação e técnicas de Learn to Rank, eu consigo ranquear aqueles clientes
mais propensos a aceitar a oferta. Caso essa solução fosse aplicada, o faturamento esperado seria de
mais de $14 milhões, que representa uma performance 2.7 vezes melhor do que
a solução atual praticada pela empresa.
As ferramenta utilizadas foram:
- Git, GitHub
- Python, Pandas, Sklearn, Scikitplot, Boruta, Optuna
- Jupyter Notebook
- XGBoost, Light Gradient Boosted Machine, Extra Trees
- Heroku Cloud
- Google Sheets
Rossmann Sales Forecast: Previsão de vendas de uma rede de lojas
O CEO de uma rede de farmácias chamada Rossmann deseja fazer uma série de reformas em algumas lojas da
rede, mas para isso precisa calcular um orçamento razoável com antecedência de 6 semanas. Ele solicitou uma
previsão de vendas para cada uma das lojas para as pŕoximas 6 semanas a fim de saber de antemão
se o faturamento será capaz de cobrir os gastos com o investimento em infraestrutura. O modelo criado previu
um montante de $283.951.842,24 em vendas para todas as lojas.
As ferramenta utilizadas foram:
- Git, GitHub
- Python, Pandas, Sklearn, Boruta
- Jupyter Notebook
- XGBoost, Random Forest
- Heroku Cloud
- Telegram bot
Bank Marketing Estrategy: Criação de uma estratégia de marketing para clientes
Uma empresa do setor bancário que oferece vários produtos financeiros como empréstimos, abertura de contas,
investimentos e cartões de crédito precisa a cada 3 meses reformular seus objetivos numa reunião com seus líderes.
A última decisão foi elaborar uma estratégia de marketing para abordar seus clientes que usam cartão de crédito.
Espera-se segmentar estes clintes em grupos de acordo com seu comportamento e assim direcionar um marketing
personalizado para cada grupo.
As ferramenta utilizadas foram:
- Git, GitHub
- Python, Pandas, Matplotlib e Seaborn
- Jupyter Notebook
- K-Means, Hierarquical Clustering, DBScan e Gaussian Mixture Model
- AWS Cloud (EC2, S3, Postgres, SQLite)
- Metabase Visualization
