Skip to content

Latest commit

 

History

History
89 lines (60 loc) · 3.23 KB

README.md

File metadata and controls

89 lines (60 loc) · 3.23 KB
Raw

Projeto de Previsão de Churn para E-commerce

Visão Geral

Este projeto implementa um modelo de previsão de churn para uma empresa de e-commerce fictícia. Utilizamos Python e bibliotecas como Pandas, Scikit-learn e Matplotlib para criar, analisar e visualizar dados, bem como para treinar e avaliar um modelo de machine learning.

Requisitos

  • Python 3.7+
  • Pandas
  • NumPy
  • Scikit-learn
  • Matplotlib
  • Seaborn

Estrutura do Projeto

O projeto consiste em um único script Python que realiza todas as etapas, desde a geração de dados até a avaliação do modelo e previsões para novos clientes.

Detalhamento das Etapas

1. Geração de Dados

Criamos um conjunto de dados fictício com 1000 clientes. Cada cliente tem as seguintes características:

  • customer_id: Identificador único do cliente
  • age: Idade do cliente
  • tenure_months: Tempo como cliente (em meses)
  • total_purchases: Número total de compras
  • avg_order_value: Valor médio dos pedidos
  • last_purchase_days_ago: Dias desde a última compra
  • total_spend: Gasto total do cliente
  • num_support_requests: Número de solicitações de suporte

A variável alvo churn é criada com base em duas condições:

  1. A última compra foi há mais de 90 dias
  2. O gasto total está abaixo da média

2. Análise Exploratória de Dados (EDA)

Realizamos uma análise exploratória básica que inclui:

  • Exibição das primeiras linhas do dataset
  • Informações gerais sobre o dataset (tipos de dados, valores não nulos)
  • Estatísticas descritivas
  • Cálculo da taxa de churn
  • Visualização da matriz de correlação entre as variáveis

3. Preparação dos Dados

  • Separação das features (X) e da variável alvo (y)
  • Divisão dos dados em conjuntos de treino e teste (80% treino, 20% teste)
  • Normalização das features usando StandardScaler

4. Treinamento do Modelo

Utilizamos um modelo Random Forest Classifier com 100 árvores de decisão.

5. Avaliação do Modelo

A avaliação do modelo inclui:

  • Relatório de classificação (precisão, recall, f1-score)
  • Matriz de confusão
  • Visualização da importância das características

6. Previsões para Novos Clientes

Demonstramos como usar o modelo treinado para fazer previsões para novos clientes.

Como Usar

  1. Certifique-se de ter todas as bibliotecas necessárias instaladas.
  2. Execute o script Python.
  3. Analise a saída no console e as visualizações geradas.
  4. Para fazer previsões para novos clientes, adicione seus dados ao DataFrame new_customers no final do script.

Possíveis Melhorias

  1. Utilizar dados reais em vez de dados fictícios.
  2. Implementar técnicas de balanceamento de classes se o churn for um evento raro.
  3. Experimentar outros algoritmos de classificação (ex: Gradient Boosting, SVM).
  4. Realizar otimização de hiperparâmetros (ex: usando GridSearchCV).
  5. Implementar validação cruzada para uma avaliação mais robusta do modelo.
  6. Criar uma interface de usuário simples para facilitar a entrada de dados de novos clientes.

Conclusão

Este projeto demonstra uma abordagem básica para prever churn em um contexto de e-commerce. O modelo e as técnicas utilizadas podem ser adaptados e expandidos para casos de uso específicos em empresas reais.