Αναλυτική και μηχανική μάθηση σε δεδομένα πωλήσεων

Abstract

Η ανάπτυξη της τεχνολογίας έχει οδηγήσει τα τελευταία χρόνια στην απότομη αύξηση του όγκου δεδομένων. Σε αυτό έχει συμβάλλει η επιστήμη δεδομένων που απαρτίζεται από ένα μεγάλο σύνολο τεχνικών ανάλυσης και παίζει σημαντικό ρόλο σε πολλούς τομείς. Η παρούσα εργασία ασχολείται με την αναλυτική και μηχανική μάθηση δεδομένων πωλήσεων της διαδικτυακής πλατφόρμας Wish.com. που εξειδικεύεται στο ηλεκτρονικό εμπόριο. Τα δεδομένα παρέχουν πληροφορίες για προϊόντα που είναι προς πώληση συγκεκριμένο χρονικό διάστημα. Πάνω σε αυτά εκτελούνται όλα τα απαραίτητα βήματα εξερεύνησης και επεξεργασίας που χρειάζονται με σκοπό την εμφάνιση σημαντικών επιχειρηματικών συμπερασμάτων γύρω από την επιτυχία πωλήσεων του ιστότοπου. Στη μελέτη παρουσιάζονται 16 διαφορετικά ερωτήματα που διερευνούν τη καταναλωτική συμπεριφορά των χρηστών του Wish.com και τους παράγοντες που επηρεάζονται οι πωλήσεις. Απαντώνται με τη δημιουργία γραφημάτων – οπτικοποιήσεων. Επιπλέον αναπτύσσονται 7 διαφορετικοί αλγόριθμοι Επιβλεπόμενης Μάθησης σε πρόβλημα δυαδικής ταξινόμησης με σκοπό τη πρόβλεψη επιτυχίας ή μη των πωλήσεων. Τα μοντέλα που εκπαιδεύονται είναι τα Νευρωνικά Δίκτυα, ΚΝΝ, Decision Tree Classifier, Logistic Regression, Gaussian NB, Random Forest Classifier και XG Boost Classifier. Οι μετρικές απόδοσης που επιλέγονται για την αξιολόγηση των μοντέλων είναι οι Classification Report, Confusion Matrix και AUC Score. Για την επιλογή του καλύτερου ταξινομητή που είναι το XGBoost συμβάλλει το F1 score και AUC score με ποσοστό 92% και 99% αντίστοιχα.