chicolucio/ifood-case-data-analyst

Projeto de ensino para o curso Ciência de Dados ministrado por mim na Hashtag

Case iFood - Analista de dados

Considere uma empresa bem estabelecida que atua no setor de varejo de alimentos. Atualmente, eles têm cerca de vários milhares de clientes registrados e atendem quase um milhão de consumidores por ano. Eles vendem produtos de 5 grandes categorias: vinhos, carnes, frutas exóticas, peixes especialmente preparados e produtos doces. Estes podem ser divididos ainda mais em produtos de gold e regulares. Os clientes podem encomendar e adquirir produtos por meio de 3 canais de vendas: lojas físicas, catálogos e site da empresa. Globalmente, a empresa teve receitas sólidas e uma linha de fundo saudável nos últimos 3 anos, mas as perspectivas de crescimento dos lucros para os próximos 3 anos não são promissoras... Por esse motivo, várias iniciativas estratégicas estão sendo consideradas para inverter essa situação. Um deles é melhorar o desempenho das atividades de marketing, com foco especial em campanhas de marketing.

Projeto de ensino utilizado em curso de Ciência de Dados ministrado por mim para a Hashtag Treinamentos. Baseado no processo seletivo para Analista de Dados do iFood disponível neste repositório.

Descrição completa do case aqui.

Objetivos

O objetivo deste projeto é mostrar aos alunos como estruturar um projeto para um processo seletivo que foi aplicado na vida real.

Durante o curso, mostrei a importância de realizar o pré-processamento dos dados, bem como a importância de se realizar a análise exploratória dos dados. Muito foi discutido sobre o que deve ser apresentado para em um documento técnico e o que deve ser apresentado em uma apresentação para um público não técnico.

Objetivos detalhados:

• Construir uma análise exploratória robusta.
• Segmentar os clientes da base de dados fornecida.
• Construir um modelo de classificação para prever se um cliente irá comprar o produto oferecido na campanha.
• Apresentar uma estrutura de projeto de Ciência de Dados, com a utilização de notebooks, scripts, relatórios e repositório no GitHub.
• Apresentar boas práticas de programação em Python, como a utilização de funções e arquivos de script para facilitar o reaproveitamento de código.
• Mostrar boas práticas de uso do SciKit-Learn, como a utilização de pipelines e otimização de hiperparâmetros.

Estrutura do repositório

├── case
├── data
├── images
├── notebooks
├── reports

• Na pasta data estão os dados utilizados no projeto. O arquivo ml_project1_data.csv é o dataset utilizado originalmente. Os demais arquivos são os datasets gerados durante o projeto.
• Na pasta images estão as imagens utilizadas neste README.
• Na pasta notebooks estão os notebooks com o desenvolvimento do projeto.
• Na pasta reports estão os relatórios gerados durante o projeto utilizando a biblioteca ydata-profiling.

Detalhes do dataset utilizado e resumo dos resultados

Uma descrição detalhada do dataset utilizado está disponível aqui.

Com um pipeline com pré-processamento, PCA e K-Means, a base foi segmentada em 3 clusters:

Análise por cluster:

• Cluster 0:

  • Renda alta
  • gasto alto
  • muito provalmente não tem filhos
  • mais propenso a aceitar campanhas
  • cluster sem pessoas com escolaridade básica
  • sem um perfil de idade que se destaque

• Cluster 1:

  • Renda baixa
  • gasto baixo
  • provalmente tem filhos
  • baixa propensão a aceitar campanhas
  • único cluster com porcentagem significativa de pessoas com escolaridade básica
  • pessoas mais jovens

• Cluster 2:

  • Renda intermediária
  • gasto intermediário
  • provalmente tem filhos
  • pode aceitar campanhas
  • pessoas com idade mais elevada

Posteriormente, três modelos de classificação foram treinados para prever se um cliente irá comprar o produto oferecido na campanha. Os modelos utilizados foram:

• Regressão Logística
• Decision Tree
• KNN

Um DummyClassifier foi utilizado como baseline. Os modelos foram comparados com base em 6 métricas:

Com base nessa comparação, o modelo de Regressão Logística foi escolhido para passar por uma otimização de hiperparâmetros.

Como reproduzir o projeto

O projeto foi desenvolvido utilizando o Python 3.11.5. Para reproduzir o projeto, crie um ambiente virtual com o Conda, ou ferramenta similar, com o Python 3.11.5 e instale as bibliotecas abaixo:

Biblioteca	Versão
Imbalanced-Learn	0.11.0
Matplotlib	3.7.2
NumPy	1.24.3
Pandas	1.5.3
Scikit-Learn	1.3.0
Seaborn	0.12.2

Essas são as bibliotecas principais utilizadas no projeto. O relatório foi gerado com a biblioteca ydata-profiling, instale-a se quiser reproduzir o relatório.