Анализ факторов покупки и прогноз на 90 дней | статистика + ML
Учебно-исследовательский проект по анализу клиентского поведения и прогнозированию покупки в течение 90 дней.
В работе исследовал историю покупок и взаимодействия клиентов с рассылками. Провёл EDA, анализ структуры данных, пропусков, распределений и выбросов. Сформировал агрегированные признаки по клиентам: частота и сумма покупок, временные характеристики, статистики взаимодействия с коммуникациями и другие поведенческие признаки.
После исследовательского этапа сравнил Logistic Regression, Random Forest и Gradient Boosting. Для оценки использовал ROC-AUC, Precision и Recall, а также анализ факторов, связанных с целевой переменной.
Финальная настроенная модель Gradient Boosting получила ROC-AUC = 0.694. Для положительного класса Precision = 0.73, Recall = 0.28.
Среди наиболее значимых факторов выделены частота покупок, общая сумма расходов и временная активность клиента.
Стек: Python, pandas, NumPy, scikit-learn, GridSearchCV, SHAP, статистический анализ и визуализация данных.