La cadena de gimnasios Model Fitness está desarrollando una estrategia de interacción con clientes basada en datos analíticos. Uno de los problemas más comunes que enfrentan los gimnasios y otros servicios es la pérdida de clientes. Los indicadores de pérdida varían de un campo a otro. En el caso de un gimnasio, tiene sentido decir que un/a cliente se ha ido si no viene durante un mes. Por supuesto, es posible que estén en Cancún y retomen sus visitas cuando regresen, pero ese no es un caso típico. Por lo general, si un/a cliente se une, viene varias veces y luego desaparece, es poco probable que regrese.
El objetivo principal es combatir la cancelación de membresías mediante el análisis de datos históricos de clientes y la elaboración de una estrategia de retención efectiva.
'Churn'— la cancelación para el mes en cuestión'gender'.'Near_Location'— si el/la usuario/a vive o trabaja en el vecindario donde se encuentra el gimnasio.'Partner'— si el/la usuario/a trabaja en una compañía asociada (el gimnasio tiene empresas asociadas cuyos empleados obtienen descuentos; en esos casos el gimnasio almacena información sobre los empleadores de los clientes).Promo_friends— si el/la usuario/a originalmente se inscribió mediante una oferta “trae a un/a amigo/a” (se utilizó el código promocional de un/a amigo/a cuando pagaron el primer abono).'Phone'— si el/la usuario/a aportó el número de teléfono.'Age'.'Lifetime'— el tiempo (en meses) desde que el/la usuario/a llegó por primera vez al gimnasio.- Datos del registro de visitas y compras y datos sobre el estado actual de la membresía:
'Contract_period'— 1 mes, 3 meses, 6 meses o 1 año.'Month_to_end_contract'— los meses que faltan hasta que expire el contrato.'Group_visits'— si el/la usuario/a participa en sesiones grupales.'Avg_class_frequency_total'— frecuencia media de visitas por semana a lo largo de la vida del cliente.'Avg_class_frequency_current_month'— frecuencia media de visitas por semana durante el mes en curso.'Avg_additional_charges_total'— cantidad total de dinero gastado en otros servicios del gimnasio: cafetería, productos deportivos, cosméticos, masajes, etc.
- Python: pandas, numpy, matplotlib, seaborn, sklearn
- Jupyter Notebooks: para análisis interactivo.
- Paso 1: Descargar e inspeccionar los datos sobre cancelación y características de los clientes.
- Paso 2: Realizar un análisis exploratorio de datos (EDA) para identificar tendencias, valores atípicos y relaciones entre variables.
- Paso 3: Construir modelos de clasificación (regresión logística y bosque aleatorio) para predecir la probabilidad de cancelación de un cliente en el mes siguiente.
- Paso 4: Utilizar el algoritmo de clustering K-means para identificar grupos de clientes con comportamientos similares y analizar sus características y tasas de cancelación.
- Paso 5: Extraer conclusiones y formular recomendaciones sobre cómo optimizar la estrategia de interacción y retención de clientes, incluyendo la identificación de grupos objetivo y medidas específicas para reducir la rotación.
Se caracteriza cada grupo por sus niveles de frecuencia de visita, participación en actividades grupales y gastos adicionales, y se proponen estrategias personalizadas para cada uno de ellos. Estas estrategias buscan aumentar la fidelidad y la satisfacción de los miembros, incluyendo promociones, programas de fidelización, encuestas y programas personalizados para satisfacer mejor sus necesidades.
Nota: Este proyecto fue desarrollado como parte de mi formación en el bootcamp de Tripleten en el área de análisis de datos.
