Segmentación de clientes

Análisis de campañas de marketing con pandas

Jill Rosok

Data Scientist

Formas comunes de segmentar audiencias

segmentación

Edad
Género
Ubicación
Interacciones previas con la empresa
Canales de marketing con los que interactuaron

Segmentación con pandas

# Subconjunto solo de House Ads
house_ads = marketing\
         [marketing['subscribing_channel'] == 'House Ads']

retained = house_ads[house_ads['is_retained'] == True]\
                    ['user_id'].nunique()
subscribers = house_ads[house_ads['converted'] == True]\
                     ['user_id'].nunique()

retention_rate = retained/subscribers
print(round(retention_rate*100,2), '%')

58.05 %

¡Tiene que haber una forma más fácil de segmentar!

Segmentación con pandas - groupby()

# Agrupa por subscribing_channel y calcula retención
retained = marketing[marketing['is_retained'] == True]\
          .groupby(['subscribing_channel'])\
          ['user_id'].nunique()
print(retained)

subscribing_channel
Email        109
Facebook     152
House Ads    173
Instagram    158
Push          54
Name: user_id, dtype: int64

Segmentación con pandas - groupby()

# Agrupa por subscribing_channel y calcula suscriptores
subscribers = marketing[marketing['converted'] == True]\
            .groupby(['subscribing_channel'])\
            ['user_id'].nunique()
print(subscribers)

subscribing_channel
Email        125
Facebook     221
House Ads    298
Instagram    232
Push          77
Name: user_id, dtype: int64

Resultados de la segmentación

# Calcula la tasa de retención en el DataFrame
channel_retention_rate = (retained/subscribers)*100
print(channel_retention_rate)

subscribing_channel
Email        87.200000
Facebook     68.778281
House Ads    58.053691
Instagram    68.103448
Push         70.129870
Name: user_id, dtype: float64

¡Vamos a practicar!

Análisis de campañas de marketing con pandas