Salta al contenido principal
Página Principal

Actividad 4 – Segmentación de Clientes con Machine Learning

Requisitos de finalización
Apertura: jueves, 11 de septiembre de 2025, 00:00
Cierre: sábado, 20 de septiembre de 2025, 00:00

Archivo a usar: facturacion_IA.csv
Columnas clave: CLIENTE, FECHA, NUM DOCUMENTO, TOTAL

🎯 Objetivo: Explorar ventas, calcular métricas de clientes (RFM) y segmentarlos con un algoritmo simple de Machine Learning (K-Means).

🔹 Paso 1 — Exploración de ventas (EDA básico)

Prompt 1.1 — Estadísticas y forma de la base

 
Devuélveme una celda de código en Python para Colab que: 1) Muestre cuántas filas y columnas tiene la base. 2) Calcule el mínimo, máximo, promedio y mediana de la columna TOTAL. 3) Imprima cuántos clientes únicos hay en la base.

👉 Resultado esperado: impresión en pantalla con datos básicos de la base.

Prompt 1.2 — Histograma de montos

 
Devuélveme una celda de código en Python para Colab que: 1) Genere un histograma de la columna TOTAL con 10 barras. 2) Ponga título "Distribución de montos de facturación". 3) Etiquete los ejes en español.

👉 Resultado esperado: gráfico que muestre si la mayoría de facturas son de bajo, medio o alto valor.

Prompt 1.3 — Serie temporal de ventas

 
Devuélveme una celda de código en Python para Colab que: 1) Agrupe las ventas por mes usando la columna FECHA. 2) Genere un gráfico de línea con la evolución mensual de TOTAL. 3) Ponga título "Evolución mensual de las ventas".

👉 Resultado esperado: línea que muestre subidas y bajadas en el tiempo.

Prompt 1.4 — Top 5 clientes

 
Devuélveme una celda de código en Python para Colab que: 1) Calcule el Top 5 clientes por monto total (suma de TOTAL). 2) Muestre un gráfico de barras horizontal con esos clientes. 3) Ponga título "Top 5 clientes por monto facturado".

👉 Resultado esperado: gráfico con los clientes más importantes.

🔹 Paso 2 — Métricas RFM (simplificadas)

Prompt 2.1 — Calcular RFM

 
Devuélveme una celda de código en Python para Colab que: 1) Calcule para cada CLIENTE: - Recency: días desde la última compra hasta la fecha más reciente. - Frequency: número de facturas. - Monetary: suma de TOTAL. 2) Genere un DataFrame llamado rfm con esas columnas. 3) Muestre las primeras 10 filas de rfm.

👉 Resultado esperado: tabla con métricas RFM por cliente.

🔹 Paso 3 — Segmentación con K-Means (muy ligera)

Prompt 3.1 — Crear clusters

 
Devuélveme una celda de código en Python para Colab que: 1) Escale las columnas Recency, Frequency y Monetary. 2) Entrene un modelo KMeans con 2 clusters. 3) Agregue la columna CLUSTER al DataFrame rfm. 4) Imprima cuántos clientes quedaron en cada cluster.

👉 Resultado esperado: clasificación básica de clientes en 2 grupos (ej. “Clientes grandes” vs “Clientes pequeños”).

Prompt 3.2 — Comparación de clusters

 
Devuélveme una celda de código en Python para Colab que: 1) Calcule el promedio de Recency, Frequency y Monetary por cluster. 2) Muestre un gráfico de barras comparando esos promedios. 3) Ponga título "Perfil de los clusters".

👉 Resultado esperado: gráfico comparando las características de cada segmento.

🔹 Paso 4 — Interpretación de Marketing

Prompt 4.1 — Informe de acciones

 
Con base en el DataFrame rfm con clusters, escribe un mini-informe de 5 bullets con acciones de marketing. Para cada cluster: - Pon un nombre sencillo (ej. "VIP", "Ocasionales"). - Una acción concreta (ej. cupones, club VIP, emails de reactivación). - Un canal sugerido (WhatsApp, Email, Tienda). - Un KPI esperado (recompra, ticket promedio, ROI).

👉 Resultado esperado: un informe breve con propuestas de acción por segmento.

✅ Entregables del estudiante

  1. Notebook con todas las celdas generadas y ejecutadas.

  2. Gráficos: histograma, serie temporal, top clientes, perfil de clusters.

  3. DataFrame rfm con clusters.

  4. Mini-informe de marketing (5 bullets).

Actividad anterior
Actividad siguiente
loader image