Ir para o conteúdo

Segmentação de Clientes com K-Means

Python Scikit-learn Pandas Jupyter Docker

Repositório

Visão Geral

Projeto final do Módulo 33 — Modelos Avançados (Profissão Cientista de Dados). Segmenta 200 clientes de um shopping com o algoritmo de clustering K-Means a partir de idade, renda anual e Spending Score, interpreta os grupos e propõe estratégias de negócio para cada segmento.

Destaques

  • 5 segmentos bem definidos: silhueta 0,555 e Davies-Bouldin 0,572
  • Escolha de k validada por 4 critérios: cotovelo, silhueta, Davies-Bouldin e Calinski-Harabasz
  • Dois cenários comparados (2D e 3D), com PCA para visualizar o modelo com idade
  • Bloco de insights ao final de cada análise do notebook
  • Ambiente reproduzível com uv e Docker

Estrutura do Projeto

customer-segmentation-kmeans/
├── data/Mall_Customers.csv
├── notebooks/segmentacao_clientes_kmeans.ipynb
├── reports/figures/          # gráficos exportados pelo notebook
├── Dockerfile / .dockerignore
├── pyproject.toml / uv.lock
└── README.md

Stack Utilizada

Tecnologia Função
Python 3.13 Linguagem principal
pandas / NumPy Manipulação dos dados
scikit-learn K-Means, StandardScaler, PCA e métricas de cluster
Matplotlib / Seaborn Visualizações
Jupyter Notebook com a análise completa
uv / Docker Gerenciamento de dependências e execução reproduzível

Metodologia

  1. Exploração: qualidade dos dados (nulos, duplicados, faixas válidas), distribuições, outliers por IQR, análise por gênero e correlações.
  2. Tratamento: remoção do CustomerID; Gender fora do modelo (binário e sem poder de diferenciação) e usado só para descrever os grupos; outliers de renda mantidos por serem plausíveis; padronização com StandardScaler.
  3. Modelagem: K-Means com k-means++ e n_init=10 em dois cenários: A (Renda + Score) e B (Idade + Renda + Score).
  4. Avaliação: k de 2 a 10 comparado por cotovelo, silhueta, Davies-Bouldin e Calinski-Harabasz, mais gráficos de silhueta por cluster.
Cenário k Silhueta ↑ Davies-Bouldin ↓ Calinski-Harabasz ↑
A: Renda + Score 5 0,555 0,572 248,6
B: Idade + Renda + Score 6 0,428 0,825 135,1

O cenário A foi escolhido como segmentação principal. O cenário B reproduz os mesmos grupos e divide o segmento "Padrão" em jovens e maduros.

Clusters

Segmentos Identificados

Segmento Clientes Idade média Renda média (k$) Score médio Estratégia
VIP (alta renda / alto gasto) 39 32,7 86,5 82,1 Fidelidade premium e eventos exclusivos
Cautelosos (alta renda / baixo gasto) 35 41,1 88,2 17,1 Maior potencial: ofertas de valor e conveniência
Padrão (renda média / gasto moderado) 81 42,7 55,3 49,5 Campanhas de volume e cross-selling
Impulsivos (baixa renda / alto gasto) 22 25,3 25,7 79,4 Promoções relâmpago e fast fashion
Econômicos (baixa renda / baixo gasto) 23 45,2 26,3 20,9 Liquidações e cashback

Principais insights

  • A renda sozinha não explica o gasto: VIP e Cautelosos têm renda parecida e comportamento oposto.
  • Clientes mais jovens gastam mais (correlação de −0,33 entre idade e score).
  • O gênero praticamente não diferencia os segmentos.
  • Maior valor atual nos VIP; maior potencial de crescimento nos Cautelosos.

Como Executar

git clone https://github.com/RToyoyama/customer-segmentation-kmeans.git
cd customer-segmentation-kmeans
docker build -t segmentacao-kmeans .
docker run --rm -p 127.0.0.1:8888:8888 segmentacao-kmeans

Acesse http://localhost:8888. O JupyterLab abre direto no notebook.

git clone https://github.com/RToyoyama/customer-segmentation-kmeans.git
cd customer-segmentation-kmeans
uv sync
uv run jupyter lab notebooks/segmentacao_clientes_kmeans.ipynb