Bogas, PauloKurreiia, Laura Miklina2025-12-152025-12-152025-11http://hdl.handle.net/10400.26/60431Neste estudo avaliámos métodos de segmentação da base de clientes, normalmente usados apenas em grandes empresas com conjuntos extensos de dados (datasets), aplicando-os à base de clientes de uma pequena empresa, nomeadamente uma loja online especializada em acessórios de pele. O objetivo foi comparar estes métodos quanto à sua aplicabilidade no contexto das pequenas empresas para a otimização das estratégias de marketing. A escolha dos três métodos fundamenta-se na sua complementaridade analítica: a simplicidade e eficácia operacional da análise RFM, a perspetiva temporal da análise de coortes e a profundidade comportamental da análise de clusters. Como dados iniciais foram utilizadas as transações efetuadas pelos clientes durante o ano de 2024. Como primeira fase, os dados foram sujeitos a um pré-processamento rigoroso. De seguida, foram calculadas as métricas essenciais de RFM (Recency, Frequency, Monetary) para cada cliente. Depois, foi realizada a análise de coortes, segmentando os clientes segundo o mês da sua primeira compra e calculando as taxas de retenção para cada coorte. Na quarta fase da análise, aplicou-se o algoritmo de agrupamento k-means (clustering). A análise RFM permitiu classificar os clientes em três grupos com níveis distintos de atividade e valor económico. A análise de coortes revelou uma quebra acentuada nas taxas de retenção logo após a primeira compra, indicando a necessidade de estratégias de reativação. A análise de clusters identificou dez segmentos comportamentais com diferenças estatisticamente significativas, comprovando a sua robustez e relevância prática mesmo em contextos com recursos limitados.In this study, we evaluated customer base segmentation methods that are typically employed only by large companies with extensive datasets, applying them to the customer base of a small company, namely an online store specializing in leather accessories. The objective was to compare these methods in terms of their applicability within the context of small enterprises for the optimization of marketing strategies. The selection of the three methods was grounded in their analytical complementarity: the simplicity and operational efficiency of RFM analysis, the temporal perspective of cohort analysis, and the behavioral depth of cluster analysis. The initial dataset comprised customer transactions carried out during the year 2024. As a first step, the data underwent rigorous preprocessing. Subsequently, the key RFM metrics (Recency, Frequency, Monetary) were computed for each customer. Next, cohort analysis was conducted, segmenting customers according to the month of their first purchase and calculating retention rates for each cohort. In the fourth phase of the analysis, the k-means clustering algorithm was applied. The RFM analysis enabled the classification of customers into three groups with distinct levels of activity and economic value. The cohort analysis revealed a sharp decline in retention rates immediately after the first purchase, highlighting the need for reactivation strategies. Finally, the cluster analysis identified ten behavioral segments with statistically significant differences, confirming its robustness and practical relevance even in resource-constrained contexts.pormaster thesis204050880