Segmenta clientes de una bodega del Penedès por valor y gusto
Visión general
De qué trata este proyecto.
Recibes un dataset anonimizado con ~9.000 clientes activos y features RFM (Recency, Frequency, Monetary — recencia, frecuencia, valor monetario) más mezcla de producto (porcentaje de cava, blanco, tinto, dulce). Estandariza, aplica al menos dos algoritmos de clustering (K-Means y un jerárquico aglomerativo) y elige el número de clusters con el método del codo + silhouette score. Describe cada segmento con un perfil de 3 frases en lenguaje de marketing y recomienda una acción concreta por segmento. El éxito es entregar 3-5 segmentos estables, interpretables y accionables.
El Briefing
Lo que harás y lo que demostrarás.
Encontrar 3-5 segmentos de cliente accionables a partir de RFM + mezcla de producto, con una recomendación de campaña por segmento.
Earning criteria — what you'll demonstrate
- Aplicar K-Means y clustering jerárquico a un dataset real
- Justificar la elección del número de clusters con métricas internas
- Convertir resultados de clustering en perfiles de cliente útiles para marketing
- Comunicar resultados de aprendizaje no supervisado a no técnicos
Encaje académico
Dónde encaja esto en tus estudios.
Afina las mismas habilidades que tu titulación espera de ti.
Habilidades
Habilidades que demostrarás.
Cada una aparece en tu credencial verificada.
Carreras
Roles para los que esto te prepara.
Títulos reales. Puentes de habilidades reales. Elige el que más se acerque a tu trayectoria.
Trayectorias profesionales que esto construye
Roles canónicosCientífico de Datos
Segmentar clientes con RFM y entregar perfiles accionables es uno de los proyectos clásicos en data science para marketing en empresas de consumo.
Este proyecto afina
- unsupervised-learning
- k-means
- data-visualization
Científico/a de IA Aplicada
Pasar de aprendizaje no supervisado a una recomendación operativa es el día a día de una persona en IA aplicada en una empresa con datos limitados.
Este proyecto afina
- unsupervised-learning
- feature-scaling
- hierarchical-clustering