🛍️ Анализ покупательского поведения клиентов

Проект по анализу данных, направленный на исследование поведения клиентов с использованием Python, SQL и Power BI.

Проект охватывает анализ покупок, сегментацию клиентов и выявление ключевых бизнес-инсайтов на основе транзакционных данных.

---

🚀 О проекте

В рамках проекта проанализировано более 3900 транзакций клиентов с целью выявления:

• закономерностей в расходах
• предпочтений клиентов
• влияния скидок и подписок
• факторов, влияющих на выручку
• сегментов клиентов

Анализ включает полный цикл работы с данными: предобработка (Python) → аналитика (SQL) → визуализация (Power BI)

---

📊 Данные

Файл: customer_shopping_behavior.csv

Датасет содержит 3901 запись с информацией о клиентах, покупках и поведении.

Основные фичи:

• Информация о клиентах:
  Customer ID, Age, Gender, Location, Subscription Status

• Данные о покупках:
  Item Purchased, Category, Purchase Amount (USD), Season, Size, Color

• Поведенческие характеристики:
  Discount Applied, Promo Code Used, Previous Purchases,
  Frequency of Purchases, Review Rating, Shipping Type, Payment Method

---

🛠️ Стек технологий

• Python

  • pandas

• SQL

  • PostgreSQL

• Визуализация

  • Power BI

• Среда разработки

  • Jupyter Notebook

---

🔍 Ход анализа

1. Предобработка данных (Python)

• Загрузка данных с использованием pandas
• Обработка пропусков в Review Rating (заполнение медианой по Category)
• Приведение названий колонок к формату snake_case
• Feature engineering:
  • age_group — сегментация по возрасту
  • purchase_frequency_days — перевод частоты покупок в числовой формат
• Проверка качества данных:
  • удаление избыточного признака promo_code_used
• Загрузка очищенных данных в PostgreSQL

---

2. Анализ данных (SQL)

В рамках анализа были решены следующие задачи:

• Сравнение выручки по Gender
• Выявление клиентов, использующих Discount Applied и совершающих покупки выше среднего
• Определение топ-5 товаров по Review Rating
• Сравнение среднего чека для разных Shipping Type
• Анализ поведения пользователей с Subscription Status
• Поиск товаров с высокой зависимостью от скидок
• Сегментация клиентов (New, Returning, Loyal)
• Определение самых популярных товаров по Category
• Анализ связи между повторными покупками и подпиской
• Оценка вклада возрастных групп (age_group) в выручку

---

📊 Дашборд (Power BI)

Разработан интерактивный дашборд для визуализации результатов анализа.

---

💡 Ключевые инсайты

• Поведение клиентов существенно различается в зависимости от возраста и категории товаров
• Скидки повышают вовлечённость, но не исключают высокий средний чек
• Пользователи с Subscription Status демонстрируют отличающиеся паттерны покупок
• Некоторые товары сильно зависят от скидок
• Лояльные клиенты (повторные покупки) — ключевой сегмент
• Тип доставки влияет на поведение покупателей

---