In [1]:
from IPython.display import Image
Image(filename='e-commerce.jpg',width=500, height=200)
Out[1]:

E-commerce: Investir em app ou site?

Introdução

Uma empresa de comércio eletrônico com sede na cidade de Nova York vende roupas online, mas também tem sessões de consultoria em estilo e vestuário na loja. Os clientes entram na loja, têm sessões / reuniões com um estilista pessoal, então podem ir para casa e encomendarem em um aplicativo móvel ou site a roupa que desejam.

Objetivo

A empresa precisa decidir se deve concentrar seus esforços e investimentos em aplicativos móveis ou em seu site a fim de aumentar a quantia gasta pelos clientes.

Obs.: Os emails são falsos!

Importando bibliotecas/ módulos

In [2]:
import pandas as pd
import numpy as np
import matplotlib.pyplot as plt
import seaborn as sns

%matplotlib inline

Info sobre os dados

Trabalharemos com o arquivo csv do Ecommerce Customers da empresa. Possui informações do cliente, como Email, Endereço e sua cor Avatar. Em seguida, ele também possui colunas de valores numéricos:.

  • Avg. Session Length: Tempo médio das sessões de consultoria de estilo na loja.
  • Time on App: tempo médio gasto no app em minutos.
  • Time on Website: tempo médio gasto no site em minutos.
  • Lenght of Membership: Há quantos anos o cliente é membro.
  • Yearly Amount Spent: Quantia anual gasto

Lendo o dataset dos com informações dos clientes:

In [3]:
clientes = pd.read_csv("Ecommerce_Customers")

Visão geral do dataset:

In [4]:
clientes.head()
Out[4]:
Email Address Avatar Avg. Session Length Time on App Time on Website Length of Membership Yearly Amount Spent
0 mstephenson@fernandez.com 835 Frank Tunnel\nWrightmouth, MI 82180-9605 Violet 34.497268 12.655651 39.577668 4.082621 587.951054
1 hduke@hotmail.com 4547 Archer Common\nDiazchester, CA 06566-8576 DarkGreen 31.926272 11.109461 37.268959 2.664034 392.204933
2 pallen@yahoo.com 24645 Valerie Unions Suite 582\nCobbborough, D... Bisque 33.000915 11.330278 37.110597 4.104543 487.547505
3 riverarebecca@gmail.com 1414 David Throughway\nPort Jason, OH 22070-1220 SaddleBrown 34.305557 13.717514 36.721283 3.120179 581.852344
4 mstephens@davidson-herman.com 14023 Rodriguez Passage\nPort Jacobville, PR 3... MediumAquaMarine 33.330673 12.795189 37.536653 4.446308 599.406092
In [5]:
clientes.describe()
Out[5]:
Avg. Session Length Time on App Time on Website Length of Membership Yearly Amount Spent
count 500.000000 500.000000 500.000000 500.000000 500.000000
mean 33.053194 12.052488 37.060445 3.533462 499.314038
std 0.992563 0.994216 1.010489 0.999278 79.314782
min 29.532429 8.508152 33.913847 0.269901 256.670582
25% 32.341822 11.388153 36.349257 2.930450 445.038277
50% 33.082008 11.983231 37.069367 3.533975 498.887875
75% 33.711985 12.753850 37.716432 4.126502 549.313828
max 36.139662 15.126994 40.005182 6.922689 765.518462
In [6]:
clientes.info()

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 500 entries, 0 to 499
Data columns (total 8 columns):
Email                   500 non-null object
Address                 500 non-null object
Avatar                  500 non-null object
Avg. Session Length     500 non-null float64
Time on App             500 non-null float64
Time on Website         500 non-null float64
Length of Membership    500 non-null float64
Yearly Amount Spent     500 non-null float64
dtypes: float64(5), object(3)
memory usage: 31.3+ KB

O dataset a ser trabalhado possui 500 registros e 8 campos com informações de cada cliente!

Análise de dados exploratória

Usando o seaborn para criar um jointplot para comparar as colunas Time On Website e Quantia gasta anualmente para ver se há alguma correlação entre os dados.

In [5]:
sns.jointplot(x='Time on Website', y='Yearly Amount Spent', data=clientes)
Out[5]:
<seaborn.axisgrid.JointGrid at 0x7fb2eaad29b0>

Agora usando os dados de tempo no app (Time on App)

In [9]:
sns.jointplot(x='Time on App', y='Yearly Amount Spent', data=clientes)
Out[9]:
<seaborn.axisgrid.JointGrid at 0x7fb2ea2d27f0>

O tempo gasto em app parece ter uma tendência maior do que o tempo em website.

Explorando os tipos de relações em todo o conjunto de dados.

In [10]:
sns.pairplot(clientes)
Out[10]:
<seaborn.axisgrid.PairGrid at 0x7f8cdc879278>

Baseado neste plot a que parece ser a característica mais correlacionada com o valor anual gasto (Yearly Amount Spent) é o tempo de membro de cada cliente (Length of Membership). Mas o tempo médio de sessão, tempo em app tbm parecem ter uma certa relação. Então utilizaremos essas 4 informações para ver quem estaria mais relacionada com gasto de cada cliente e onde deve-se ter mais investimento.

Criando um plot de um modelo linear da quantia anual gasta (Yearly Amount Spent) vs. tempo de associação (Length of Membership).

In [11]:
sns.lmplot(x='Length of Membership', y='Yearly Amount Spent', data=clientes)
Out[11]:
<seaborn.axisgrid.FacetGrid at 0x7fb2ea1b2748>

Com esse resultado já podemos ver que o tempo de associação está correlacionado como a quantia gasta pelos clientes.

Agora vamos para a construção do Modelo

Treinando e testando os dados

O primeiro passo é dividir os dados em conjuntos de treinamento e teste.

Definindo as uma variáveis: X = todas as características numéricas dos clientes e Y = Valor anual gasto (Yearly Amount Spent).

In [14]:
y = clientes['Yearly Amount Spent']
In [15]:
X= clientes[['Avg. Session Length', 'Time on App','Time on Website', 'Length of Membership']]
In [16]:
# Importando scikit-learn para dividir os dados em conjunto de treinamento e conjunto de teste.
from sklearn.model_selection import train_test_split
In [17]:
X_train, X_test, y_train,y_test =train_test_split(X, y, test_size=0.3,random_state=101)

Treinando o modelo

Agora é hora de treinar nosso modelo em nossos dados de treinamento!

In [18]:
# Importando o LinearRegression do sklearn.linear_model
from sklearn.linear_model import LinearRegression

Criando uma instância de um modelo LinearRegression () chamado lm.

In [19]:
lm = LinearRegression()

Treinando lm nos dados de treinamento.

In [20]:
lm.fit(X_train, y_train)
Out[20]:
LinearRegression(copy_X=True, fit_intercept=True, n_jobs=1, normalize=False)

Resultado dos coeficientes do modelo

In [21]:
lm.coef_
Out[21]:
array([25.98154972, 38.59015875,  0.19040528, 61.27909654])

Previsão de dados de teste

Agora que nos ajustamos ao nosso modelo, vamos avaliar o seu desempenho ao prever os valores de teste!

In [22]:
# Usando o lm.predict() para prever o conjunto X_test dos dados.
prediction = lm.predict(X_test)
In [25]:
# Agora criamos um diagrama de dispersão (scatterplot) dos valores reais de teste em relação aos valores preditos 
# para ver se o modelo está fazendo uma boa predição.

plt.scatter(y_test, prediction)
plt.xlabel('Y test')
plt.ylabel('Predicted Y')
Out[25]:
Text(0,0.5,'Predicted Y')

Como podemos ver os valores preditos e os de teste estão bem relacionados, mostrando que estamos no caminho certo com nosso modelo.

Avaliando o Modelo

Vamos avaliar o desempenho do nosso modelo calculando a soma residual dos quadrados e o escore de variância explicado (R ^ 2).

Calcule o erro absoluto médio, o erro quadrado médio e o erro quadrado médio da raiz. Consulte a palestra ou a Wikipédia para as fórmulas

In [22]:
from sklearn import metrics

print('MAE:', metrics.mean_absolute_error(y_test, prediction))
print('MSE:', metrics.mean_squared_error(y_test, prediction))
print('RMSE:', np.sqrt(metrics.mean_squared_error(y_test, prediction)))

MAE: 7.228148653430853
MSE: 79.81305165097487
RMSE: 8.933815066978656

Resíduos

Pelos resultados podemos ver que obtivemos um modelo muito bom com um bom ajuste. Vamos explorar rapidamente os resíduos para garantir que tudo esteja bem com os dados.

In [26]:
# Criando um histograma dos resíduos e certificando-se de que ele parece normalmente distribuído. 
sns.distplot((y_test-prediction), bins=50)
Out[26]:
<matplotlib.axes._subplots.AxesSubplot at 0x7fb2e2c030f0>

Conclusão

In [27]:
coef = pd.DataFrame(lm.coef_, X.columns, columns=['Coefs'])
coef
Out[27]:
Coefs
Avg. Session Length 25.981550
Time on App 38.590159
Time on Website 0.190405
Length of Membership 61.279097

Interpretando os coeficientes:

Mantendo todos as outras variáveis constantes, um aumento de 1 unidade na média de tempo de uso está associado a um aumento de 25,98 dólares totais gastos.

Mantendo todos as outras variáveis constantes, um aumento de 1 unidade no tempo gasto no App está associado a um aumento de 38,59 dólares totais gastos.

Mantendo todos as outras variáveis constantes, um aumento de 1 unidade no tempo no site está associado a um aumento de 0,19 dólares totais gastos.

Mantendo todos as outras variáveis constantes, um aumento de 1 unidade no tempo de Associação está associado a um aumento de 61,27 dólares totais gastos.

Diante dos resultados obtidos, podemos ver que a empresa, primeiramente, deveria arranjar outras formas de fidelizar seu cliente, já que essa é a variável que mais ifluenciam nos gastos dos seus usuários. Entre site e aplicativo, a empresa deve investir em aplicavo, dado que o mesmo apresenta um coeficiente significativamente maior do que o site.