Clusterização de perfis de consumo de um ecommerce de atletismo, utilizando as variáveis recência, frequência e valor (RFV)

Abstract

Resumo: O crescimento do comércio eletrônico no segmento esportivo, impulsionado por mudanças de hábitos póspandemia, exigiu das empresas um maior entendimento do perfil de consumo de seus clientes para sustentar estratégias eficazes de marketing e fidelização. Neste contexto, técnicas de análise de dados, como a clusterização, tornaram-se fundamentais para segmentar consumidores em grupos com características homogêneas. Este estudo teve como objetivo identificar perfis de consumo em um e-commerce especializado em produtos de atletismo, utilizando a análise RFV (Recência, Frequência e Valor) associada ao algoritmo K-Means. Após a análise e limpeza da base chegou-se a 24.079 registros de pedidos entre 2019 e 2025, foram calculadas as métricas RFV para cada cliente. As variáveis passaram por transformação logarítmica para reduzir a influência de valores extremos. A aplicação do método do cotovelo e do índice de silhueta determinou a formação ideal de três clusters. Os resultados indicaram a existência de perfis distintos: clientes inativos e de baixo valor; clientes de valor médio e frequência moderada; e clientes recentes, frequentes e de alto valor, considerados prioritários para estratégias de retenção e relacionamento. O estudo contribui ao demonstrar o potencial do uso integrado de técnicas estatísticas e algoritmos de clusterização na definição de estratégias de marketing direcionadas, oferecendo subsídios práticos para empresas do setor esportivo aprimorarem a gestão de seus clientes

Abstract: The growth of e-commerce in the sports segment, driven by post-pandemic lifestyle changes, has required companies to gain a deeper understanding of their customers’ consumption profiles to support effective marketing and loyalty strategies. In this context, data analysis techniques such as clustering have become fundamental for segmenting consumers into groups with homogeneous characteristics. This study aimed to identify consumption profiles in an e-commerce specialized in athletics products, using RFV (Recency, Frequency, and Monetary Value) analysis combined with the K-Means algorithm. After cleaning and preprocessing a database of 24,079 order records from 2019 to 2021, RFV metrics were calculated for each customer. The variables underwent logarithmic transformation to reduce the influence of outliers. The elbow method and silhouette score determined the ideal formation of three clusters. The results indicated the existence of distinct profiles: inactive customers with low value; customers with medium value and moderate frequency; and recent, frequent, high-value customers, considered a priority for retention and relationship strategies. The study contributes by demonstrating the potential of integrating statistical techniques and clustering algorithms in defining targeted marketing strategies, offering practical support for sports industry companies seeking to improve customer management