Прогнозирование покупательской активности клиентов

Описание проекта

Данный проект представляет собой решение задачи бинарной классификации для прогнозирования, совершит ли клиент интернет-магазина одежды покупку в течение следующих 90 дней. Модель анализирует историю транзакций, взаимодействие с маркетинговыми кампаниями и общую эффективность этих кампаний для выявления наиболее перспективных клиентов.

Цель: Оптимизировать маркетинговые усилия, предоставляя бизнесу инструмент для ранжирования клиентов по вероятности совершения покупки. Основной метрикой качества является ROC-AUC.

Структура проекта

.
├── data/                                # Папка с исходными данными (не включена в репозиторий)
├── apparel_purchase_prediction.ipynb    # Jupyter Notebook с полным циклом анализа и моделирования
├── requirements.txt                     # Список необходимых библиотек
└── README.md                            # Данный файл

Результат и ключевые выводы

Финальная модель показала ROC-AUC = 0.7534 на отложенной тестовой выборке, подтвердив свою надежность и отсутствие переобучения.

Анализ коэффициентов модели позволил сформулировать следующие бизнес-рекомендации:

1. Фокус на «неопределившихся». Самый перспективный сегмент — клиенты без явного предпочтения канала коммуникации (email или push). Они наиболее восприимчивы к маркетингу.

2. Борьба с «баннерной слепотой». Клиенты, «запертые» в одном канале, покупают реже. Требуется ротация каналов для "уставшей" аудитории, чтобы повысить их отклик.

3. Регулярный контакт важнее покупок. Давность последнего взаимодействия с клиентом (открытие письма, клик) оказалась более значимым негативным фактором, чем давность последней покупки. Удержание требует постоянного контакта.