Segmentation de la clientèle

Analyser des campagnes marketing avec pandas

Jill Rosok

Data Scientist

Façons courantes de segmenter une audience

segmentation

Âge
Genre
Lieu
Interactions passées avec l'entreprise
Canaux marketing utilisés par les utilisateurs

Segmenter avec pandas

# Subset to include only 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 %

Il doit bien y avoir plus simple pour segmenter !

Segmenter avec pandas - groupby()

# Group by subscribing_channel and calculate 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

Segmenter avec pandas - groupby()

# Group by subscribing_channel and calculate subscribers
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

Résultats de segmentation

# Calculate the retention rate across the 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

Passons à la pratique !

Analyser des campagnes marketing avec pandas