Müşteri Segmentasyonu Projesi

E-ticaret müşterilerini makine öğrenmesi ile gruplara ayırdığım ilk ML projem.

Ne Yaptım?

Kaggle'dan aldığım 541 bin satırlık veri setiyle çalıştım. Müşterileri RFM analizi yapıp K-Means ile 4 gruba ayırdım. Bazı müşteriler çok para harcıyor, bazıları bir kez gelip kayboluyor - işte bunları otomatik olarak gruplandırdım.

Klasör Yapısı

customer_segmentation/
├── data/
│   └── OnlineRetail.csv
├── notebooks/
│   └── customer_segmentation_analysis.ipynb
└── README.md

Kurulum

Python kütüphanelerini kur:

pip install pandas numpy matplotlib seaborn scikit-learn jupyter

Jupyter'ı başlat:

jupyter notebook

Veri Seti

• Kaynak: Online Retail Dataset - Kaggle
• İçerik: İngiltere merkezli bir e-ticaret şirketinin 2010-2011 arası satış kayıtları
• Boyut: 541,909 satır, 8 sütun
• Temizlik sonrası: 397,884 satır, 4,338 müşteri

Ne Öğrendim?

RFM Analizi

Her müşteri için 3 şey hesapladım:

• Recency: Ne kadar yakın zamanda geldi? (son alışverişten bu yana kaç gün geçti)
• Frequency: Ne sıklıkla geliyor? (toplam kaç kez alışveriş yaptı)
• Monetary: Ne kadar para harcıyor?

K-Means Clustering

RFM değerlerini kullanarak müşterileri otomatik olarak 4 gruba ayırdım. K-Means algoritması benzer müşterileri aynı gruba koyuyor.

Sonuçlar

4 grup buldum:

Şampiyon Müşteriler (6 kişi)

• Ortalama £190,863 harcamış
• 827 kez alışveriş yapmışlar
• En değerli grup

VIP Müşteriler (4 kişi)

• 5,807 kez alışveriş (çok aktifler)
• Ortalama £70,925 harcama

Standart Müşteriler (3,248 kişi)

• Normal müşteriler
• Ortalama £2,092 harcama
• Toplam müşterilerin %75'i

Uyuyan Müşteriler (1,080 kişi)

• 247 gün önce gelmişler (8 ay)
• Düşük harcama
• Geri kazanılmalı

İlginç Bulgular

• Sadece 10 müşteri (Şampiyon + VIP) toplam gelirin yaklaşık %40'ını oluşturuyor
• 1,080 müşteri 8 aydan fazla süredir alışveriş yapmamış
• En büyük grup Standart müşteriler (%75)

Kullandığım Teknolojiler

• Python
• Pandas (veri işleme)
• NumPy (hesaplamalar)
• Matplotlib & Seaborn (grafikler)
• Scikit-learn (K-Means)
• Jupyter Notebook

Proje Süreci

1. Veriyi yükledim ve inceledim
2. Eksik değerleri ve hatalı kayıtları temizledim (144K satır silindi)
3. Her müşteri için RFM değerlerini hesapladım
4. StandardScaler ile veriyi normalize ettim (farklı ölçekler problemi)
5. Elbow Method ile optimal küme sayısını buldum (K=4)
6. K-Means algoritmasını uyguladım
7. Sonuçları görselleştirdim ve yorumladım

İletişim

• GitHub: @rabiasn
• LinkedIn: rabia-kalay