Kundensegmentierung für einen Lebensmittel-Discounter clusteranalysieren
Übersicht
Worum es bei diesem Projekt geht.
Du erhältst einen anonymisierten Loyalty-Datensatz (Käufe + grobe Demografie + Filial-Region) über 6 Monate. Erstelle ein RFM-Feature-Set (Recency, Frequency, Monetary — Aktualität, Häufigkeit, Wert) plus Warenkorb-Mix-Features, normalisiere und cluster (k-Means als Baseline, HDBSCAN als Alternative). Wähle k über Silhouetten-Score plus Geschäftsplausibilität. Liefere 4-8 interpretierte Segmente mit Steckbriefen, plus eine Hypothese pro Segment für eine A/B-Test-Kampagne. Erfolg: Marketing kann ohne Daten-Team neue Kund:innen einem Segment zuordnen und passende Kampagne starten.
Das Briefing
Was Du tust und was Du zeigst.
Wie identifiziert man 4-8 belastbare, interpretierbare Kundensegmente aus 6 Monaten Loyalty-Daten, die für gezielte Kampagnen einsetzbar sind?
Earning criteria — what you'll demonstrate
- RFM-Features und Warenkorb-Mix-Features für Clustering aufbereiten
- k-Means vs. HDBSCAN gegeneinander bewerten und k mit Silhouette + Geschäftslogik wählen
- Cluster in geschäftliche Steckbriefe übersetzen, statt rein statistisch zu argumentieren
- Aus Segmenten testbare Marketing-Hypothesen ableiten
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Kundensegmentierung mit produktiver Empfehlung ist die kanonische erste Data-Science-Aufgabe in Retail-Teams — die Challenge liefert ein portfolio-fähiges, end-to-end durchdachtes Beispiel.
Dieses Projekt schärft
- clustering
- rfm-analysis
- segmentation
AI Engineer
Eine reproduzierbare Clustering-Pipeline mit klar definierten Features ist die Grundlage jeder produktiven Segmentierung — AI Engineers übernehmen diese Pipelines in der Operationalisierung.
Dieses Projekt schärft
- feature-engineering
- python
- scikit-learn
AI-Produktmanager:in
Segmente in Hypothesen und Kampagnen-Roadmaps zu übersetzen ist das tägliche Geschäft eines AI-PMs im Retail-Umfeld.
Dieses Projekt schärft
- segmentation
- rfm-analysis
- clustering
Noch eine Sache