🛍️ Segmentation des Clients d'un Site e-Commerce

Projet de segmentation de clients pour un site e-commerce (OLIST)
Analyse comportementale et géographique des acheteurs afin d’identifier des profils types et d’adapter la stratégie marketing.

---

🎯 Objectif du projet

L’objectif est de segmenter les clients d’un site e-commerce brésilien à partir de leurs comportements d’achat, de leur satisfaction et de leurs caractéristiques logistiques, afin de :

• mieux comprendre les différents profils de clients,
• personnaliser les actions marketing,
• et maintenir une segmentation évolutive dans le temps.

---

🧩 Contenu du projet

Le dépôt contient :

• Notebooks Jupyter regroupant :

  1. Préparation et Feature Engineering
     • Nettoyage et fusion des tables SQL : customers, orders, order_items, products, sellers, order_reviews, geolocation.
     • Sélection de variables explicatives : total_purchase, latest_purchase_numeric, average_score, total.
     • Variables descriptives : latt, long, delay, delivery_time, shipping.
  2. Analyses exploratoires
     • Distribution géographique des clients, comportement d’achat et score de satisfaction.
  3. Modélisation des clusters
     • Tests de modèles : K-Means, Agglomerative Clustering, DBSCAN.
     • Évaluation via Silhouette Score et Adjusted Rand Index (ARI).
  4. Analyse et interprétation des clusters
     • Description actionnable des segments (profils clients).

• Scripts SQL utilisés pour extraire et transformer les données brutes.

• Présentation PowerPoint résumant les étapes du projet et les insights marketing associés.

---

🧠 Méthodologie

1. Préparation des données

   • Données issues de la base OLIST (2016-09 → 2018-09)
   • 93 358 clients uniques, 99 441 opérations d’achat, 3 905 vendeurs.
   • 97 % d’achats uniques, 75 % de livraisons anticipées.

2. Feature Engineering

   • Conversion des dates, agrégation par client, création de variables comportementales et monétaires.

3. Modélisation et comparaison

   • K-Means : 6 clusters retenus (Silhouette & ARI ≈ 0.93)
   • Agglomerative Clustering : 5 clusters, bonne lisibilité mais moins flexible
   • DBSCAN : robuste mais peu pertinent pour ce dataset

4. Clusterisation finale : K-Means

   • Simplicité, performance et scalabilité.
   • Permet un recalcul régulier pour suivre les évolutions comportementales.

---

📊 Résumé des segments (Clusters K-Means)

Cluster	Profil	Description synthétique
0	🆕 Newcomers	Nouveaux clients récents, peu d’achats mais bonne satisfaction.
1	😠 Déçus	Clients peu satisfaits malgré plusieurs achats.
2	🛒 Serial-Shoppers	Clients fidèles, satisfaction élevée, fréquence d’achat importante.
3	😡 Pas Contents	Clients insatisfaits avec retards de livraison.
4	🧾 One-Shop	Achat unique, pas de réachat identifié.
5	🏬 Grossistes	Clients à très forte valeur monétaire et faible taux de livraison.

---

🔄 Maintenance du modèle

• Resegmentation automatique toutes les 6 semaines.
• Suivi de la stabilité via le ARI Score.
• Objectif : détecter les changements de comportement et adapter la stratégie marketing.

---

🛠️ Technologies utilisées

• Python : Pandas, NumPy, Matplotlib, Seaborn, Scikit-learn
• SQL : extraction et jointure des tables (via scripts inclus)
• Clustering : K-Means, Agglomerative, DBSCAN
• Évaluation : Silhouette Score, Adjusted Rand Index
• Visualisation : cartes géographiques, heatmaps, boxplots

---

📂 Structure du dépôt

segmentation_clients
│
├── Notebooks/
│   ├── Feature_Engineering_and_Analysis.ipynb
│   ├── Clustering_Models_Comparison.ipynb
│   ├── Cluster_Description.ipynb
│
├── SQL/
│   └── queries.sql
│
├── Martineau_Alexandre_5_presentation_072024.pdf
└── README.md

---

🧩 Conclusion

Le modèle K-Means offre une segmentation claire et exploitable des clients. Cette segmentation permet d’identifier 6 profils distincts, d’orienter les stratégies marketing et de mettre en place un suivi dynamique de la clientèle via un système de resegmentation périodique.