-
Notifications
You must be signed in to change notification settings - Fork 0
/
Inicio.py
78 lines (56 loc) · 4.07 KB
/
Inicio.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
import numpy as np
import streamlit as st
import warnings
warnings.filterwarnings('ignore')
# Set no tema do seaborn para melhorar o visual dos plots
custom_params = {"axes.spines.right": False, "axes.spines.top": False}
sns.set_palette(sns.color_palette("pastel"))
st.set_page_config (layout= 'wide',
page_title ='Classicação de clientes',
initial_sidebar_state="expanded",
menu_items={
'Get Help': 'https://www.linkedin.com/in/sandra-lin-costa-894a05174/',
'Report a bug': "https://github.com/sannlin9/Classificacao-de-clientes/issues",
'About': "# Este aplicativo foi criado como projeto por Sandra Lin Costa!"},
page_icon= '👋')
#Titulo da pagina
st.title('Classificação de clientes.')
st.image('https://www.salesforce.com/content/dam/blogs/ca/Blog%20Posts/2021/what-retailers-need-to-know-about-ecommerce-header.png')
'''
*Este é um projeto idealizado durante o curso de ciência de dados | EBAC.*
Neste projeto vamos usar a base [online shoppers purchase intention](https://archive.ics.uci.edu/ml/datasets/Online+Shoppers+Purchasing+Intention+Dataset) de Sakar, C.O., Polat, S.O., Katircioglu, M. et al. Neural Comput & Applic (2018). [Web Link](https://doi.org/10.1007/s00521-018-3523-0).
A base trata de registros de 12.330 sessões de acesso a páginas, cada sessão sendo de um único usuário em um período de 12 meses, para posteriormente estudarmos a relação entre o design da página e o perfil do cliente - "Será que clientes com comportamento de navegação diferentes possuem propensão a compra diferente?"
Nosso objetivo é tentar agrupar os clientes conforme seu comportamento de navegação entre páginas administrativas, informativas e de produtos.
Por este motivo, o escopo desta análise estará fechado as variáveis referentes a quantidade e tempo de acesso por tipo de página, atributos que falam mais do comportamento de navegação do cliente e de temporalidade como época do ano (informações da data, como a proximidade a uma data especial, fim de semana e o mês).
**👈 Você pode navegar pelas páginas deste aplicativo através do menu lateral.**
###### As variáveis do dataset são descritas abaixo:
-------------------------------------------
|Variavel |Descrição |
|------------------------|:-------------------|
|Administrative | Quantidade de acessos em páginas administrativas|
|Administrative_Duration | Tempo de acesso em páginas administrativas |
|Informational | Quantidade de acessos em páginas informativas |
|Informational_Duration | Tempo de acesso em páginas informativas |
|ProductRelated | Quantidade de acessos em páginas de produtos |
|ProductRelated_Duration | Tempo de acesso em páginas de produtos |
|BounceRates | *Percentual de visitantes que entram no site e saem sem acionar outros *requests* durante a sessão |
|ExitRates | * Soma de vezes que a página é visualizada por último em uma sessão dividido pelo total de visualizações |
|PageValues | * Representa o valor médio de uma página da Web que um usuário visitou antes de concluir uma transação de comércio eletrônico |
|SpecialDay | Indica a proximidade a uma data festiva (dia das mães etc) |
|Month | Mês |
|OperatingSystems | Sistema operacional do visitante |
|Browser | Browser do visitante |
|Region | Região |
|TrafficType | Tipo de tráfego |
|VisitorType | Tipo de visitante: novo ou recorrente |
|Weekend | Indica final de semana |
|Revenue | Indica se houve compra ou não |
\* variávels calculadas pelo google analytics
'''
'''
--------------------------------
'''
st.sidebar.image('https://www.hostinger.com.br/tutoriais/wp-content/uploads/sites/12/2021/01/O-Que-e-e-commerce-Todos-os-Detalhes-Como-Comecar-o-seu.webp')