Описание проекта

Проект представляет собой когортный анализ продуктовый метрик Retention и LTV. Также данные были исследованы на предмет выбросов с помощью гистограмм и графиков box-plot. В процессе работы был построен RFM анализ и проанализирована его предсказательная мощность с помощью метрик uplift, gini и heatmap. В завершение проекта была создана предсказательная модель LTV

Задачи проекта

1. Провести EDA анализ
2. Построить когортный анализ Retention
3. Построить когортный анализ продаж
4. Построить когортный анализ LTV
5. Сделать RFM анализ
   5.1 Подсчет RFM score
   5.2 Анализ предсказательной мощности RFM модели
6. Создание модели предсказания LTV

Результаты

1. Был проанализирован dataset на наличие выбросов, пропущенных значений и т.д.
2. По результатам когортного анализа Retention, можно сделать выводы, что за когорты январь, февраль Retention резко падал после 4-5 месяцев. За когорты март, апрель, май Retention достигал самых высоких показателей
3. Если говорить о продажах, то самые большие медианные знаечния приходились на февраль, март, апрель, май. Также видно, что покупатели начинали больше тратить денег на покупки после 1 месяца. Пик трат приходит на 2 - 5 месяца после совершения первой покупки
4. LTV относительно резко начинает расти после 1 месяца совершения первой покупки и постепенно замедляет рост от месяца к месяцу. После 8 месяца LTV начинает расти очень медленно (от N < 1)
5. Был построен RFM анализ, в котором за каждую метрику начислялся score балл от 1 до 4. Также была проанализирована предсказательная мощность RFM, в результате получили метрики uplift = 2.004 и gini = 0.4066
6. Была создана модель предсказания LTV на основе классификации RFM, где

• для 1 класса правильно индетифицирует 88% покупателей
• для 2 класса правильно индетифицирует 83% покупателей
• для 3 класса правильно индетифицирует 74% покупателей

Используемые технологии

pandas, numpy, matplotlib, seaborn, plotly, sklearn, scikitplot, xgboost