📊 K-Means Customer Segmentation Dashboard

Aplikasi Web Enterprise-grade yang menyulap pemrosesan data Machine Learning kaku menjadi sebuah Dashboard Interaktif. Sistem ini menggunakan algoritma K-Means Clustering untuk memecah metrik perilaku konsumen (Recency, Frequency, Monetary) ke dalam tiga segmen bisnis utama.

---

🌐 LIVE DEMO AVAILABLE

🚀 KLIK DI SINI UNTUK MENCOBA DASHBOARD (STREAMLIT CLOUD) 🚀

(Silakan unggah dataset ritel Anda dan cobalah berinteraksi dengan visualisasi 3D clustering secara real-time!)

---

✨ Pembaruan Sistem (Enterprise Upgrade)

• Anti-Hardcode File Upload: Menggantikan absolute path yang rawan error dengan fitur File Uploader Streamlit yang dinamis dan aman.
• Visualisasi Interaktif 3D: Menggantikan output .png statis dengan Plotly 3D Scatter Chart. Pengguna dapat memutar, melakukan zoom, dan menyeleksi cluster secara real-time di browser.
• Desain UI Premium: Navigasi bersih dengan tema Clean & White, Custom CSS, efek hover pada kartu metrik, dan tipografi bergradasi elegan.
• Kinerja Cepat: Dioptimalkan dengan modul caching (@st.cache_data & @st.cache_resource) sehingga file berukuran puluhan megabyte dapat diproses tanpa memuat ulang model dari awal.

🛠️ Arsitektur Teknologi

• Frontend: Streamlit, Custom HTML/CSS
• Visualisasi: Plotly Express & Graph Objects
• Machine Learning: Scikit-Learn (K-Means, MinMaxScaler)
• Pemrosesan Data: Pandas, Numpy, Datetime

🚀 Cara Eksekusi Lokal

1. Clone Repositori

   git clone https://github.com/HyLuthfi/customer-behavior-analytics.git
   cd customer-behavior-analytics

2. Instalasi Dependensi Pastikan Anda menginstal modul yang tepat tanpa spesifikasi versi agar terhindar dari conflict deployment.

   pip install -r requirements.txt

3. Menjalankan Dashboard

   streamlit run main.py

   Setelah server menyala, unggah dataset Online Retail.xlsx Anda ke dalam tombol upload yang tersedia di layar.

📈 Metodologi

• Preprocessing: Menghilangkan CustomerID kosong, duplikasi data, dan anomali nilai negatif pada Quantity/UnitPrice.
• RFM Extraction: Menghitung seberapa baru (Recency), seberapa sering (Frequency), dan seberapa besar (Monetary) nilai transaksional setiap konsumen.
• Clustering: Membagi hasil normalisasi metrik ke dalam 3 Cluster Optimal, yang secara logis dipetakan ke dalam Segmen High-Value, Medium-Value, dan Low-Value.

---

Proyek ini telah direkonstruksi dari bentuk prosedural standar menuju arsitektur web modern agar memenuhi standar portofolio industri.