Segmentation Client & Recommandation Produit

🚀 Application en Ligne

Déploiement	Lien	Description
Principal	customer-segmentation-project-591h.onrender.com	Hébergé sur Render
Backup	segmentation-client.streamlit.app	Hébergé sur Streamlit Cloud

Note: Render offre 750 heures gratuites par mois. Si l'application principale est indisponible (quota épuisé), utilisez le lien de backup Streamlit Cloud qui reste toujours accessible.

---

Contexte Business

Solution d'analytics retail transformant les donnees transactionnelles en insights clients actionnables via segmentation automatisee et recommandations intelligentes.

Valeur Business:

• Identification de la valeur client via scoring RFM
• Detection des clients a risque et opportunites de croissance
• Recommandations cross-sell par analyse de panier
• Actions prioritaires par segment

---

Fonctionnalites du Dashboard

Onglet	Description
Synthese Executive	KPIs globaux, alertes business, concentration 80/20
Performance Segments	Profil RFM, radar chart, actions recommandees
Actions Prioritaires	Matrice d'actions, clients haute valeur a risque
Client 360	Vue individuelle, historique, recommandations produit

---

Approche Technique

Composant	Methode	Output
Segmentation	Analyse RFM (Recence, Frequence, Montant)	6 segments clients
Regles d'Association	Algorithme Apriori	Affinites produits avec lift
Recommandations	Hybride (Association + Segment)	Top-N suggestions personnalisees

---

Stack Technique

Couche	Technologie
Frontend	Streamlit
Traitement Donnees	Pandas
ML/Analytics	Scikit-learn, MLxtend (Apriori)
Visualisation	Plotly
Deploiement	Render

---

Structure du Projet

customer_segmentation_project/
├── app.py                      # Application Streamlit
├── scripts/
│   └── precompute.py           # Pre-calcul des donnees
├── src/
│   ├── data_preprocessing.py
│   ├── rfm_analysis.py
│   ├── basket_analysis.py
│   ├── recommendations.py
│   ├── metrics.py
│   └── visualization.py
├── data/
│   └── processed/              # Donnees pre-calculees
├── config/
│   └── config.yaml
├── requirements.txt
└── render.yaml

---

Installation et Deploiement

Installation Locale

git clone https://github.com/Souley225/customer_segmentation_project.git
cd customer_segmentation_project
python -m venv .venv && .venv\Scripts\activate
pip install -r requirements.txt

Workflow de Deploiement

# 1. Pre-calculer les donnees (execution locale)
python scripts/precompute.py

# 2. Commiter les fichiers pre-calcules
git add data/processed/
git commit -m "Mise a jour donnees pre-calculees"

# 3. Deployer
git push

Le pre-calcul reduit le temps de demarrage de ~60s a ~2s.

Lancement Local

streamlit run app.py

---

Source de Donnees

UCI Machine Learning Repository — Online Retail Dataset

---

Licence

MIT