SberAvtopodpiska_Site_Analysis

Анализ сайта СберАвтоподписка

Цель проекта:

Компания «СберАвтоподписка» хочет увеличить эффективность сайта:

• улучшить пользовательский опыт
• повысить конверсию
• сделать рекламные кампании более результативными Для этого требуется создать модель, которая предсказывает вероятность того, что пользователь совершит целевое действие (оставит заявку, закажет звонок и пр.) на сайте.

Что было сделано:

Работа была проведена для анализа сайта "СберАвтоподписка" на основе данных предоставленных в рамках проектного практикума.

Для решения задачи были использованы различные подходы по заполнению пропусков в данных:

• Были выявлены значения признаков (not set) и (none), которые при первичном анализе не были выявлены как NaN значения
• Были заполнены пропуски в признаках utm_sourse и utm_medium на основе данных о клиентах.
• Данные в признаке device_screen_resolution были заполнены модальными значениями категорий устройств.
• Признаки содержащие пропуски более чем в 50% данных были удалены.

В качестве целевой переменной были определены категории even_action, относящиеся к целевой переменной и выбраны наиболее полезные для анализа пользователей.

Для обработки данных был собран конвеер - pipeline. Он включает в себя:

• Преобразование признаков содержащих дату и время и трансформация их данных к переодическим значениям с помощью математических преобразований.
• Кодирование категориальных признаков, вычисляя среднее значение целевой переменной для каждой категории

Для оценки зависимость признаков и целевой пререрменной использовался:

• Корреляционная матрица
• Алгоритм Mutual Info
• Метод главных компонент (PCA)

Выбор модели и оценка метрик происходила с помощью кросс-валидации и тестировалась на моделях:

• Логистической регрессии
• Случайного леса
• CatBoost'а

Согласно заданию значение метрики ROC-AUC 0.65 было достингнуто и превышено на всех выбранных моделях. Однако наилучшие результаты показала модель CatBoost со значением метрики ROC-AUC в 0.76. Эта модель была включена в новый конвеер обработки данных и сериализована для дальнейшей работы.

Архитектура проекта:

Проект построен на микроархитектуре с использованием Docker Compose и включает в себя четыре контейнера:

• Web API
• Telegram Bot API
• RabbitMQ
• CatBoost Model

Взаимодействие между API и моделью происходит через очередь для каждого из способов взаимодействия.

Web API работает на локальном адресе http://127.0.0.1:8000

Telegram bot - https://t.me/HahatonVangaBot

Установка:

Установка осуществляется с помощью команд Docker Compose:

docker-compose build

docker-compose up -d

Содержание репозитория:

• SberAvtopodpiska_Site_Analysis.ipynb - блокнот с подготовкой данных, разведочным анализом (EDA), оценкой модели ML и сериализацией pipeline
• project - основной проект, включает в себя:
  • model - код и файлы контейнера модели
  • telegram_bot_api - код и файлы контейнера телеграм бота
  • web_api - код и файлы контейнера web интерфейса