https://github.com/nastya-paprika/in-one-click

Модель для формирования персонализированных предложений клиентам интернет-магазина "В один клик"
https://github.com/nastya-paprika/in-one-click

data-science jypyternotebook python

Last synced: 6 months ago
JSON representation

Модель для формирования персонализированных предложений клиентам интернет-магазина "В один клик"

• Host: GitHub
• URL: https://github.com/nastya-paprika/in-one-click
• Owner: nastya-paprika
• Created: 2025-02-02T12:04:02.000Z (8 months ago)
• Default Branch: main
• Last Pushed: 2025-02-02T12:28:16.000Z (8 months ago)
• Last Synced: 2025-02-10T22:23:12.047Z (8 months ago)
• Topics: data-science, jypyternotebook, python
• Language: Jupyter Notebook
• Homepage:
• Size: 1.56 MB
• Stars: 0
• Watchers: 1
• Forks: 0
• Open Issues: 1
• Metadata Files:
  • Readme: README.md

Awesome Lists containing this project

README

          
# IN ONE CLICK

## Модель для формирования персонализированных предложений клиентам интернет-магазина "В один клик"

**Описание исследования**

Интернет-магазин «В один клик» продаёт разные товары: для детей, для дома, мелкую бытовую технику, косметику и даже продукты. Отчёт магазина за прошлый период показал, что активность покупателей начала снижаться. Привлекать новых клиентов уже не так эффективно: о магазине и так знает большая часть целевой аудитории. Возможный выход — удерживать активность постоянных клиентов.

**Цель исследования** - разработать модель машинного обучения, которая осуществит подбор персонализированных предложений для имеющихся клиентов интернет-магазина.

**Задачи исследования:**

1. Построить модель, которая предскажет вероятность снижения покупательской активности клиента в следующие три месяца.

2. В исследование нужно включить дополнительные данные финансового департамента о прибыльности клиента: какой доход каждый покупатель приносил компании за последние три месяца.

3. Используя данные модели и данные о прибыльности клиентов, нужно выделить сегменты покупателей и разработать для них персонализированные предложения.  

### Общий вывод

**Описание исходных данных и предобработки данных**

Исходные данные включали сведения о покупательском поведении, выручке и времени, проведенном на сайте:

- Данные были предобработаны: устранены пропуски, закодированы категориальные признаки (OneHot и Ordinal Encoding), нормализованы числовые данные (StandardScaler, MinMaxScaler).

- Проведен корреляционный анализ для проверки взаимосвязей между признаками.

**Что было сделано для поиска лучшей модели**

- Реализованы четыре алгоритма машинного обучения: LogisticRegression, KNeighborsClassifier, DecisionTreeClassifier и SVC.

- Использован подход кросс-валидации с RandomizedSearchCV для оптимизации гиперпараметров.

- Модели оценивались по метрике ROC-AUC.

**Лучшая модель и ее характеристики**

Лучшая модель — *LogisticRegression* с параметрами:

- Коэффициент регуляризации: C = 10.

- Оптимизатор: saga.

- Число итераций: 500.

- Нормализация: StandardScaler.

Метрика ROC-AUC на тестовой выборке составила 0.9189, что подтверждает высокое качество предсказаний.

### Выводы и дополнительные предложения для выбранного сегмента (группы) покупателей

Выбранный сегмент: Клиенты с высокой вероятностью снижения активности (>50%) и высокой прибылью (>3).

**Выводы:**

- Анализ популярных категорий показал, что клиенты активно покупают определенные товары (такие как - товары для детей, косметика и аксессуары, домашний текстиль). Эти категории требуют поддержания интереса через персонализированные акции.

- Выявлено снижение трат на технику для красоты и здоровья. Для таких категорий возможно стимулирование спроса через акции или бонусы.

**Предложения:**

- Сосредоточить усилия на удержании ключевых клиентов с высокой прибылью.

- Разработать акции для частопотребляемых категорий, чтобы стимулировать повторные покупки.

- Для категорий с редкой частотой покупок предложить дополнительные услуги (гарантия, бонусы, кэшбэк).

- Регулярно пересматривать сегментацию и проводить анализ трат для адаптации предложений.