Análise de Comportamento e segmentação de Clientes (RFM) com SQL e PYTHON

Sobre o Projeto...

Neste projeto, foi contruido um pipeline análitico completo utilizando Python,SQLite e SQL avançado para aplicar a metodologia RFM(Recência, Frequência e Monetário) utilizando a base de dados pública da Olist.

Desenvolvimento do projeto

Ingestão e Modelagem Ralacional(ETL)

A base da Olist é estruturada em multiplos arquivos relacionais. O primeiro passo consistiu em varrer o diretório de entrada, carregar as tabelas transacionais em DataFrames do Pandas e estruturá-las dentro de um banco de dados SQLite local (banco_rfm.db):

• tb_customers:Dados cadastrais e identificação única dos clientes (customer_unique_id)
• tb_orders:Histórico e carimbo de data/hora dos pedidos (order_purchase_timestamp).<
• tb_order_items:itens de pedido vinculados aos preços valores monetários (price)

O cálculo da Métricas RFM (Query Base com join)

Para consolidar o histórico de cada consumidor em uma única linha analítica, utilizei consultas relacionando as três tabelas, aplicando funções de agregação e manipulação de datas:

• Recência (R):Dias decorridos desde a última compra do cliente em relaçãoa data de corte simulada.
• Frequência (F):Contagem distintas de pedidos realizados (CAOUNTS(DISTINT o.order_id).
• Monetário (m):Soma total investida pelo cliente nos produtos (SUM.price).

Inteligência Comercial com CTEs e CASE WHEN

Utilizando CTS (WHTH),estruturamos uma consulta modular que calcula os alors brutos de RFM em uma etapa intermediaária e, em seguida,aplica regras de negócio por meio do comando(CASE WHEN). Isso classifica automaticamente a base em categorias estratégicas para marketing:

• VIP/Campeão:O cliente de alto valor ou com histórico de alta recorrẽncia.
• Em Risco (Alto Valor):Consumidores valiosos que estão a muito tempo sem realizar compras.
• Cliente Novo/Recentemente Ativo:Compradores com engajamento recente.
• Base/Potencial:Demais perfis na base de clientes.

Principais Insights e aplicações Práticas

• Retenção de Alto Valor: A identificação de clientes com tickets elevados inseridos na categoria "Em Risco" possibilita a criação de campanhas automatizadas de e-mail marketing focada em cupons de reativação (recuperação de churn).
• Fidelização: O mapeamento de perfis recorrentes fundamenta estratégias de clubes de beneficios e programas VIP, otimizando o Retorno sobre o investimento (ROI) das equipes comerciais.


Tecnologias Utilizadas:

• Linguagem:Python (Pandas para manipução de dados).
• Banco de Dados:SQLite (Criação de um ambiente relacional local).
• Linguagem de Consulta:SQL Avançado (múltiplos "JOINS". funções de agregação,manipulação temporal com "julianday", CTEs com WITH e lógica condicional com CASE WHEN).

Gostou do projeto? Veja o código completo e estruturado no meu GitHub