Skip to content

README.md

Latest commit

 

History

History
257 lines (189 loc) · 6.87 KB

README.md

File metadata and controls

257 lines (189 loc) · 6.87 KB
Raw

📊 Analyse & Optimisation Marketing

Projet d'analyse de données visant à segmenter les clients, analyser les comportements d'achat et optimiser les campagnes marketing grâce à la Data Science et à l'IA.

🎯 Objectifs

  • Explorer et nettoyer les données clients, ventes, produits et marketing
  • Segmenter les clients selon leurs caractéristiques et comportements
  • Profiler les différents segments et créer des personas
  • Analyser les performances des campagnes marketing
  • Prédire le churn et la valeur client (CLV)
  • Proposer une stratégie marketing digitale personnalisée
  • Développer un dashboard interactif

🛠️ Technologies

  • Python : Pandas, Matplotlib, Scikit-learn
  • Machine Learning : K-Means, PCA, Random Forest, XGBoost, Régression Logistique
  • Dashboard : Streamlit

📋 Prérequis

  • Python 3.11+ (recommandé 3.11 ou 3.12)
  • Git pour cloner le repository
  • uv — gestionnaire de paquets et environnement Python ultra-rapide
  • Environ 500 MB d'espace disque libre (dépendances + données + modèles)

💾 Installation

1. Cloner le repository

git clone https://github.com/Hajatiana650/SMD-project.git
cd SMD-project

2. Installer uv

uv est un remplacement ultra-rapide pour pip et virtualenv. Installez-le via :

Sur Linux / macOS

curl -LsSf https://astral.sh/uv/install.sh | sh

Après l'installation, assurez-vous que ~/.local/bin est dans votre PATH :

export PATH="$HOME/.local/bin:$PATH"

Vous pouvez ajouter cette ligne à votre fichier de profil shell (~/.bashrc, ~/.zshrc, etc.) pour la rendre persistante.

Sur Windows

Téléchargez et exécutez l'installateur depuis astral.sh/uv, ou utilisez PowerShell :

powershell -ExecutionPolicy ByPass -c "irm https://astral.sh/uv/install.ps1 | iex"

Important : Ajouter uv au PATH sur Windows

Après l'installation, vous devez ajouter uv à votre variable d'environnement PATH :

Option 1 : Via l'interface graphique (recommandée)

  1. Appuyez sur Win + R, tapez sysdm.cpl et appuyez sur Entrée
  2. Allez à l'onglet Variables d'environnement en bas à droite
  3. Cliquez sur Variables d'environnement
  4. Dans la section Variables utilisateur, cliquez sur Nouveau... (ou modifiez PATH s'il existe)
  5. Nom de la variable : PATH
  6. Valeur : %USERPROFILE%\AppData\Local\uv\bin
  7. Cliquez sur OK et fermez les fenêtres
  8. Redémarrez votre PowerShell/CMD pour que les changements prennent effet

Option 2 : Via PowerShell (ligne de commande)

Exécutez en tant qu'administrateur :

[Environment]::SetEnvironmentVariable(
    "PATH",
    "$env:PATH;$env:USERPROFILE\AppData\Local\uv\bin",
    "User"
)

Puis redémarrez votre terminal.

Vérifier que uv est dans le PATH

Ouvrez un nouveau terminal (PowerShell ou CMD) et exécutez :

uv --version

Si vous voyez un numéro de version (ex. uv 0.4.0), l'installation est réussie ! ✅

Vérifier l'installation

uv --version

3. Installer les dépendances du projet

Une fois uv installé et dans votre PATH, exécutez :

uv sync

Cette commande :

  • Crée un environnement virtuel isolé (.venv/)
  • Installe toutes les dépendances déclarées dans pyproject.toml
  • Génère/synchronise le fichier de verrous uv.lock pour la reproductibilité

4. Vérifier l'installation

uv run python --version

Devrait afficher Python 3.11+ depuis l'environnement virtuel du projet.

📂 Structure

├── data/              # Données (raw/ = fourni par le professeur, generated/ = synthétique)
├── src/
│   ├── dashboard/
│   ├── marketing/
│   ├── churn/
│   └── segmentation/
├── docs/              # Journal d'évolution par module (ex. churn.md, segmentation.md)
├── models/            # Modèles entraînés et artefacts de preprocessing, par module
├── notebooks/         # Exploration et expérimentation (EDA, comparaison de modèles)
├── outputs/           # Résultats générés par les scripts, un sous-dossier par module
└── README.md

Tous les modules applicatifs (dashboard/, marketing/, churn/ et segmentation/) sont regroupés sous src/. Les données, modèles et résultats restent à la racine afin que les chemins soient indépendants du module exécuté.

🚀 Pipeline

Données
   ↓
Exploration & Nettoyage
   ↓
Segmentation
   ↓
Profilage des clients
   ↓
Analyse des campagnes
   ↓
Prédiction Churn / CLV
   ↓
Stratégie marketing
   ↓
Dashboard

▶️ Exécution des scripts

ℹ️ Les instructions ci-dessous couvrent les modules churn/ et segmentation/, qui tournent avec uv (environnement et dépendances définis dans pyproject.toml/uv.lock).

Prédiction du churn

Le modèle doit être disponible dans models/churn/ (déjà versionné dans le repo — pas besoin de ré-entraîner après un clone).

uv run python src/churn/train.py     # ré-entraîne si besoin, régénère models/churn/
uv run python src/churn/predict.py   # score tous les clients

Le fichier est créé dans :

outputs/churn/predictions.csv

Détail complet : src/churn/README.md

Segmentation des clients

Le modèle est disponible dans models/segmentation/ (déjà versionné).

uv run python src/segmentation/train_segmentation.py     # ré-entraîne si besoin
uv run python src/segmentation/predict_segmentation.py   # scoring

Les données utilisées proviennent de data/generated/.

Détail complet : src/segmentation/README.md

Dashboard

uv run streamlit run src/dashboard/app.py

📁 Structure des sorties

Les résultats des scripts churn et segmentation sont regroupés dans outputs/, avec un sous-dossier séparé par module :

outputs/
├── churn/
│   └── predictions.csv
└── segmentation/
    ├── choix_k.png
    ├── churn_par_segment.png
    ├── heatmap_rfm.png
    ├── profil_segments.csv
    ├── segmentation_clients.csv
    └── segments_final.png

🗂️ Artefacts de modèle

Les modèles entraînés (churn, segmentation) sont versionnés directement dans Git — pas régénérés à chaque clone :

models/
├── churn/
│   ├── churn_model.joblib
│   ├── scaler.joblib
│   └── feature_columns.joblib
└── segmentation/
    ├── kmeans_model.joblib
    ├── scaler.joblib
    ├── log_columns.joblib
    └── quantile_edges.joblib

📦 Livrables

  • Segmentation et profils clients
  • Analyse des campagnes et recommandations
  • Modèles prédictifs
  • Dashboard interactif
  • Rapport final
  • Présentation orale