Brazilian Ecommerce Project

Se identifica que aunque existe el customer_id este no identifica un cliente de manera unica, el codigo del cliente es customer_unique_id.

Adicional se identifica que no existen valores nulos en las variables

Se encontro que la columna categorica order_status esta principalmente asignada al valor delivered, por lo que parece no representar mayor aporte.

Adicional se crean columnas de variables derivadas interesantes

• deivery_time_days - Tiempo total desde compra a entrega

• shipping_delay_days - Tiempo de retraso (positivo= entregado tarde)

• delivery_on_time - binario de cumplimiento de entrega

Se encuentra que payment_sequential es el numero de pagos, y payment_installment es el numero de pagos totales, por lo que se ve sospechoso que el segundo sea menor al primero, por lo que se crea una columna para revisar el caso y saber cuanto es la proporcion, pero se descarta dado que si pueden existir varios intentos de pagos.

Analizar el comportamiento de los clientes del e-commerce brasileño olist, identificando patrones de compra, cumplimiento logístico y satisfacción del cliente, con el fin de segmentar perfiles y proponer mejoras estrategicas

Preguntas

• ¿Cuáles son los principales factores asociados a las demoras en las entregas?

  • El DataSet no tiene registros de no entregados

• ¿Qué segmentos de clientes muestran mayor frecuencia y valor de compra?

• ¿Qué características definen a los clientes con mejores evaluaciones?

• ¿Cuál es el perfil de los clientes que no dejan reseñas?

Se encuentra que puede existir varios intentos de pago y esto genera una cardinalidad de 1-N, por lo que se decide agrupar los datos de payments creando:

• n_payments

• total_paid

• installments_sum

Adicional se ha pivotado payments para traer el tipo de pago y conservarlo como variable para el modelo.

Y debido a la existencia de 1 solo registro sin pago y al pivot, se genera un missing values para corregir.

Se encuentra que en el dataset de review una misma review puede estar vinculada a mas de una orden de compra lo que se considera un error y por el volumen se decide eliminarlos

Mas de la mitad de reviews realizadas no tienen un comentario por lo que se elige este hecho para realizar un proceso de cluster para detectar una insatisfacción escondida, adicional se sube el dataset review a nivel de pedido

Se encuentran varios productos con categorias nula y sin traducción, se crea una columna con el valor de categoria final

Se encuentra que cada order_item_id se refiere a una unidad de producto, por lo que se debe agrupar por producto por orden para tener la cantidad de productos, aunque es realmente minimo el cambio y se podria omitir y calcular el precio de la orden.

Asi mismo para elevarlo a nivel de orden de pedido, se evidencia un problema con las categorias, para poder transportar esta información se reclasificaran todas las que representen menos del 1% en una super categoria.

Identificación categorias >0.3% otras_categorias, se dejo en ese porcentaje dado que no existe ninguna categoria que supere el 10% y agrupar tantas en otras categorias la colocaba de primer lugar pudiendo asi introducir ruido a los analisis

Comprobación de representación otras categorias

Codificación de variable 'categoria' mediante conteo de frecuencia y peso por orden

Se lleva el dataset de productos a nivel de orden y se le agregan la codificación de la categoria.

Clusterización de ordenes para identificar perfiles de datos

• Filtrar solo por status delivered, dado que las demas siguen en flujo de entrega.

• Quitar columnas de fechas e identificativos, y metodo de pago no definido ya que esta en 0

• Reemplazar los missing value por 0 dado que principalmente estan presentes en los valores de score de las review, y el de fotos del producto

• Aplicar PCA sobre las columnas de las categorias (Pendiente medir mejor d)

• Normalizar todas las columnas excepto las que representan a las categorias

K- means

DBSCAN