ClickBus — Customer Intelligence & Marketing Analytics

Projeto acadêmico em grupo desenvolvido na FIAP para transformar dados de compras em segmentação de clientes, previsões de recompra, recomendação de trechos e regras de campanhas acionáveis.

O case conecta preparação de dados, análise RFM, machine learning e comunicação dos resultados em Power BI.

Problema de negócio

Uma operação de viagens precisa entender quem são seus clientes, quando existe maior probabilidade de uma nova compra e qual comunicação pode ser mais relevante para cada perfil. O projeto organiza esse problema em três perguntas:

1. Quais clientes apresentam maior recência, frequência e valor?
2. O histórico disponível permite estimar recompra e próximo trecho?
3. Como transformar segmentos e predições em regras de campanha compreensíveis?

Solução construída

• Normalização de cidades e pseudonimização dos identificadores de clientes.
• Segmentação RFM em cinco perfis operacionais.
• Classificador para recompra em até sete dias.
• Regressores especializados para estimar dias até a próxima compra.
• Classificador do próximo trecho entre as rotas mais frequentes.
• Regras de negócio que combinam segmento e predição em uma campanha sugerida.
• Dashboard de Power BI para exploração dos resultados.

Fluxo analítico

Dados tratados
      │
      ├── Segmentação RFM ───────────────┐
      │                                  │
      └── Modelos preditivos ────────────┼── Regras de campanha ── Power BI
                                         │
                                         └── Saídas CSV acionáveis

Tecnologias

• Python, Pandas e NumPy
• scikit-learn
• Random Forest para classificação e regressão
• Análise RFM
• Power BI
• Arquivos CSV para entradas e saídas do pipeline

Estrutura

ClickBus-ZyData/
├── data/
│   ├── README.md
│   └── arquivos CSV locais não versionados
├── outputs/
│   └── resultados gerados localmente
├── src/
│   ├── anonymize_data.py
│   ├── segmentation.py
│   ├── model.py
│   └── campaigns.py
├── .gitignore
├── README.md
└── requirements.txt

Como executar

Pré-requisito: Python 3.10+.

python -m venv .venv
python -m pip install -r requirements.txt

Os dados completos do desafio não são redistribuídos neste repositório. Consulte data/README.md, confirme a autorização de uso da fonte e coloque a entrada local no diretório data/ antes da execução.

Com o ambiente virtual ativado, execute a partir da raiz do repositório:

python src/anonymize_data.py
python src/segmentation.py
python src/model.py
python src/campaigns.py

Os três últimos scripts geram os arquivos analíticos em outputs/.

Entregáveis

• Base de clientes segmentada por RFM.
• Predições de recompra, horizonte e próximo trecho.
• Tabela final com campanhas sugeridas.
• Dashboard para análise de perfis e resultados.

Acessar o dashboard público no Power BI

Limitações

• A validação atual usa uma separação aleatória estratificada por registro. Uma evolução importante é adotar validação temporal e impedir que registros do mesmo cliente apareçam nos dois conjuntos.
• As regras de campanha são heurísticas demonstrativas; não representam um experimento causal ou uma política pronta para produção.
• O segmento “em risco” é uma proxy baseada em RFM, não um modelo validado de churn.
• O projeto não documenta custos de erro, calibração de probabilidades ou monitoramento de drift.
• A disponibilidade e o uso dos dados continuam sujeitos às regras do desafio acadêmico e da fonte original.

Próximas melhorias

• Implementar validação temporal e separação por cliente.
• Comparar o Random Forest com baselines mais simples.
• Adicionar métricas por classe e para o classificador de trechos.
• Transformar preparação e modelo em um pipeline testável do scikit-learn.
• Criar testes automatizados para schema, caminhos e regras de campanha.

Autores

• Bruno de Souza Oliveira
• Daniel Gallo de Almeida Junior
• Ricardo Henrique Ramos Silva
• Rodrigo Silva Oshiro
• Tiago Sousa Leite

Projeto acadêmico desenvolvido na FIAP.