Segmentação de clientes

Análise de campanhas de marketing com pandas

Jill Rosok

Data Scientist

Maneiras comuns de segmentar audiências

segmentação

Idade
Gênero
Localização
Interações anteriores com a empresa
Canais de marketing com que o usuário interagiu

Segmentação com pandas

# Subconjunto apenas com 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 %

Deve haver um jeito mais fácil de segmentar!

Segmentação com pandas - groupby()

# Agrupa por subscribing_channel e calcula retenção
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

Segmentação com pandas - groupby()

# Agrupa por subscribing_channel e calcula assinantes
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 da segmentação

# Calcula a taxa de retenção no 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 praticar!

Análise de campanhas de marketing com pandas