Data MLxtend
Analyse des paniers d’une boutique de cadeaux britannique : nettoyage, segmentation RFM et règles d’association avec Apriori.
Contexte
Travail pratique du BUT Informatique. À partir d’un an de transactions, il fallait nettoyer les données, décrire les comportements d’achat et faire ressortir les produits achetés ensemble.
Équipe et mon rôle
Projet de groupe.
J’ai pris le lead du projet et je me suis occupé de la partie technique.
Démarche
- Nettoyage : retrait des paniers sans client identifié, normalisation des noms de produits et exclusion des lignes qui n’en sont pas, comme les frais de port ou les remises.
- Analyse descriptive : distribution des paniers par mois, jour et heure, taille des paniers et articles les plus vendus.
- Clients : segmentation RFM en 6 segments, analyse de la fidélité et suivi des clients nouveaux et récurrents.
- Règles d’association : Apriori sur les 30 derniers jours, avec un support minimal de 2 %, des itemsets de taille 3 au plus et une confiance minimale de 80 %, puis tri par lift.
Visuels
Paniers par mois, avec un pic en novembre. 
Paniers par jour de la semaine et par heure. 
Distribution de la taille des paniers. 
Les 20 articles les plus populaires. 
Les 6 règles d’association, triées par lift. 
Segmentation RFM des 4 293 clients. 
Fidélité des clients. 
Clients nouveaux et récurrents par mois.
Chiffres et faits
- valides après nettoyage, de décembre 2010 à décembre 2011
- 18 044 paniers
- et 3 835 articles distincts
- 4 293 clients
- de clients issus de l’analyse RFM
- 6 segments
- analysés par Apriori, sur les 30 derniers jours
- 2 670 paniers
- retenues à 2 % de support et 80 % de confiance
- 6 règles
- pour la meilleure règle, avec 91,5 % de confiance
- Lift de 29,44
Ce que j’en retiens
Les difficultés et les apprentissages sont venus du management du projet et de l’initialisation du cahier des charges.