Segmentazione dei clienti

Analizzare campagne di marketing con pandas

Jill Rosok

Data Scientist

Modi comuni per segmentare il pubblico

segmentazione

Età
Genere
Località
Interazioni passate con l'azienda
Canali marketing con cui hanno interagito

Segmentare con pandas

# Sottocampiona per includere solo 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 %

Ci sarà un modo più semplice per segmentare?

Segmentare con pandas - groupby()

# Raggruppa per subscribing_channel e calcola la retention
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

Segmentare con pandas - groupby()

# Raggruppa per subscribing_channel e calcola gli iscritti
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

Risultati della segmentazione

# Calcola il tasso di retention sul 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

Passiamo alla pratica !

Analizzare campagne di marketing con pandas