opgave 3 mandatory

fjerner rækker hvor Quantity er 0 eller negativ, fordi det ofte er returvarer eller fejl.

fjerner rækker hvor UnitPrice er 0 eller negativ, så "Monetary" ikke bliver forkert. (RFM)

laver en ny kolonne, der viser hvor meget hver linje er værd i kroner/valuta

samler alle køb for hver kunde til tre tal: sidste købsdato, antal køb, og samlet forbrug (RFM) mangler stadig R specificering

Fjern instanser, hvor customerID mangler.

Beregner RecencyDays som antal dage mellem kundens sidste købsdato (Max InvoiceDate) og SnapshotDate. Dette er ‘Recency’ i RFM.

Tilføjer en fast reference-dato (SnapshotDate), som vi bruger til at beregne hvor mange dage siden kundens seneste køb.

Deler kunderne op i k segmenter baseret på deres RFM-mønster (unsupervised clustering). Hver kunde får tildelt et cluster-id, som vi bruger til at beskrive og sammenligne segmenterne.

Konverterer SnapshotDate fra tekst til en rigtig dato/tid, så vi kan regne tidsforskelle korrekt.

Opsummerer hvert segment ved at beregne gennemsnit for Recency, Frequency og Monetary samt giver et samlet overblik over forskelle mellem klyngerne. Tabellen bruges til at identificere de mest værdifulde kunder og ‘ripe’ segmenter til marketing.

Beholder kun de kolonner, vi skal bruge til RFM-segmenteringen (CustomerID, RecencyDays, Frequency og Monetary), så modellen kun bygger på RFM-mål som opgaven kræver.

Normaliserer RFM-variablerne med z-score, så de kommer på samme skala. Det gør, at Monetary ikke dominerer segmenteringen, og at R, F og M vægtes mere balanceret i k-means.