ML
BackMarket Segmentation
Segmentation clients RFM avec KMeans
Modèle KMeans · données publiques
- Cadre
- Freelance
- Segments
- 4
- Données publiques
- Olist
- Variables
- RFM
Explorer la démonstration
Modèle entraîné · reconstruction sur Olist
Trois caractéristiques. Un profil d’achat.
Essayez un profil fictif. Le calcul exécute la standardisation et la recherche du centroïde KMeans le plus proche, directement dans votre navigateur. Aucune donnée n’est envoyée.
Votre profil client fictif
Résultat de la segmentation
Clients récents
Un achat plus récent et une fréquence faible. Une action de fidélisation peut être pertinente.
Le segment décrit une proximité avec un groupe du corpus public. Il ne prédit ni un achat futur, ni l’efficacité d’une campagne.
Les quatre groupes du corpus public
Répartition calculée sur 95 420 profils Olist. Les centres ci-dessous sont des moyennes de groupe, pas des clients individuels. La répartition ne change pas lorsque vous modifiez l’exemple.
Clients dormants
40,1 %
- Récence moyenne :
- 392,7 j
- Commandes :
- 1
- Montant :
- 102,9 BRL
Clients récents
54,2 %
- Récence moyenne :
- 132,4 j
- Commandes :
- 1
- Montant :
- 102,7 BRL
Clients VIP
2,7 %
- Récence moyenne :
- 246,2 j
- Commandes :
- 1
- Montant :
- 1 013,2 BRL
Clients fidèles
3 %
- Récence moyenne :
- 225,2 j
- Commandes :
- 2,1
- Montant :
- 210,7 BRL
Version publique vérifiée le 31 octobre 2026 : quatre centroïdes et un scaler issus des artefacts entraînés. Les noms des groupes sont des interprétations métier de leurs centres. Cette reconstruction n’utilise ni les données confidentielles ni les résultats commerciaux de Back Market.
Comprendre le projet
Mission — Back Market
Segmentation de la base clients d'une marketplace de produits reconditionnés pour optimiser les campagnes marketing.
Mission réalisée en freelance pour Back Market. Le code et les données présentés ici sont une reconstruction personnelle sur le corpus public Olist, destinée à illustrer le travail réalisé tout en préservant la confidentialité du client.
Méthodologie RFM
- Récence — jours depuis le dernier achat
- Fréquence — nombre total de commandes
- Monétaire — montant total dépensé
Pipeline
- Preprocessing et agrégation par client
- Feature Engineering — scores RFM
- StandardScaler sur les 3 features
- KMeans (k=4, optimisé par Elbow + Silhouette)
Utilité métier
Les segments permettent de distinguer les profils d'achat pour adapter les actions de fidélisation ou de réactivation. Ces actions sont des pistes métier : la démonstration ne mesure pas leur effet sur les campagnes du client.
Méthode et ressources
Stack Technique
Dataset : Olist Brazilian E-Commerce (simulation des données Back Market confidentielles).
Le calcul navigateur a été comparé à scikit-learn sur 1 080 cas synthétiques, et la règle du centroïde le plus proche concorde sur les 95 420 profils publics retrouvés. Le score de silhouette recalculé est de 0,496 sur un échantillon déterministe de 2 000 profils (seed 42). Il décrit la structure du corpus utilisé pour le clustering, pas une mesure de généralisation ni un résultat commercial.