Upload 5 files

app.py

@@ -0,0 +1,74 @@
+import streamlit as st
+import pandas as pd
+import joblib
+
+# Konfiguration der Seite
+st.set_page_config(page_title="Customer Cluster Predictor", layout="centered")
+
+# Ressourcen laden
+@st.cache_resource
+def load_resources():
+    # Laden des Modells aus Ihrer Datei kmeans_model.pkl [cite: 3, 4]
+    model = joblib.load('kmeans_model.pkl')
+    return model
+
+model = load_resources()
+
+# Definition der Cluster-Namen und Marketing-Strategien basierend auf der Analyse 
+cluster_info = {
+    0: {
+        "Name": "Inaktive Kleinnutzer",
+        "Beschreibung": "Niedrige Einlösewerte und sehr lange inaktiv.",
+        "Strategie": "Reaktivierungskampagne: Senden Sie einen attraktiven Willkommens-Gutschein."
+    },
+    1: {
+        "Name": "Regelmäßige Gelegenheitsnutzer",
+        "Beschreibung": "Moderate Werte, regelmäßig aktiv.",
+        "Strategie": "Kundenbindung: Bieten Sie kleine Belohnungen für die nächste Einlösung an."
+    },
+    2: {
+        "Name": "VIP-Kunden (Top-Segment)",
+        "Beschreibung": "Höchste Werte, sehr hohe Punktzahl und sehr aktiv.",
+        "Strategie": "Exklusivität: Einladungen zu VIP-Events oder exklusive Angebote."
+    },
+    3: {
+        "Name": "Treue Bestandskunden",
+        "Beschreibung": "Hohe Werte und konstante Aktivität.",
+        "Strategie": "Upselling: Empfehlen Sie höherwertige Prämien-Kategorien."
+    },
+    4: {
+        "Name": "Gefährdete Kunden (At-Risk)",
+        "Beschreibung": "Moderate Werte, aber die letzte Einlösung liegt lange zurück.",
+        "Strategie": "Dringlichkeit: Senden Sie eine 'Wir vermissen Sie'-Aktion mit Bonus."
+    }
+}
+
+st.title("👤 Strategische Kunden-Segmentierung")
+st.markdown("Ermitteln Sie das Segment und die passende Marketing-Strategie.")
+
+# Eingabefelder für die 2 vom Nutzer geforderten Werte
+latest_days = st.number_input("Tage seit letzter Einlösung (latest_redeem_days)", min_value=0, value=1)
+redeem_value = st.number_input("Einlösewert (total_redeem_value)", min_value=0.0, value=1.0)
+
+# Automatische Berechnung der Punkte (Wert * 10)
+redeem_points = redeem_value * 10
+st.write(f"Berechnete Punkte: **{redeem_points}**")
+
+# Verarbeitung
+if st.button("Cluster berechnen"):
+    try:
+        # Vorbereitung der Rohdaten (Reihenfolge wie im Training: Value, Points, Days) 
+        input_data = [[float(redeem_value), float(redeem_points), float(latest_days)]]
+        
+        # Vorhersage ohne Scaler (da das Modell auf Rohdaten trainiert wurde) 
+        cluster_pred = model.predict(input_data)[0]
+        info = cluster_info[cluster_pred]
+
+        # Ergebnis-Anzeige
+        st.divider()
+        st.header(f"Ergebnis: {info['Name']} (Cluster {cluster_pred})")
+        st.write(f"**Profil:** {info['Beschreibung']}")
+        st.success(f"💡 **Marketing-Strategie:** {info['Strategie']}")
+
+    except Exception as e:
+        st.error(f"Fehler bei der Vorhersage: {e}")

featrures.parquet

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:2513c53e27973b3ae86ffaeb0747a2d82cc84aab09e666dfdfd2a4f42cf1628c
+size 255299

kmeans_model.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:e4ce523cf450bfee6810fd43728c8dd2ed9f6364d2d2dd6e52cbe6f122783aa3
+size 105983

scaler.pkl

@@ -0,0 +1,3 @@
+version https://git-lfs.github.com/spec/v1
+oid sha256:d59ec66dea68fde379d28c8d4ba20a27e0d1fe60c6d3993f3138eeea1284b788
+size 959