Прогнозирование целевых действий пользователей на платформе «СберАвтоподписка»

📌 Описание проекта

Учебный проект, выполненный в рамках практики магистратуры ТГУ по направлению «Науки о данных и машинное обучение».
Цель — разработка модели машинного обучения для предсказания вероятности совершения пользователем целевого действия на сайте сервиса СберАвтоподписка.

Тип задачи: бинарная классификация
Метрика: ROC-AUC

---

👥 Команда проекта

• Тимлид: Гришин Сергей
• Команда:
  • Вишняков Дмитрий
  • Данилова Елена
  • Коваленко Екатерина
  • Тагильцев Кирилл
  • Шерин Иван

---

📁 Структура проекта

• 1. Описательный анализ данных, портрет пользователя, посещаемость
• 2. Формирование датафрейма для обучения
• 3. Разведочный анализ данных
• 4.Pipeline обучения
• 5. Отбор признаков
• 6. Обучение нейронной сети
• 7. Тестирование API на Flask
• Дополнительно: модели
• Дополнительно: датафреймы

---

🎯 Цель проекта

Разработать модель, предсказывающую вероятность того, что пользователь совершит одно из целевых действий:

• «Оставить заявку»
• «Заказать звонок»

---

🗃 Источник данных

Использованы логи пользовательской активности на сайте:

• utm_* — рекламные метки
• device_* — характеристики устройств
• geo_* — геоданные
• visit_* — информация о визите
• event_*, hit_* — события на сайте

📁 Скачать данные
📄 Полное задание

---

🔧 Этапы работы

1. Предобработка данных

• Обработка пропусков и редких категорий
• Категоризация источников трафика
• Инженерия признаков по дате и времени визита
• Кодирование категориальных признаков (TopEncoderTransformer, MapColumnTransformer)

2. Сборка пайплайна

• Кастомные sklearn-трансформеры
• ColumnTransformer с StandardScaler и OneHotEncoder
• Объединение всего в единый Pipeline

3. Обучение моделей

• Подбор гиперпараметров с помощью GridSearchCV
• Использованные модели:
  • Logistic Regression
  • Decision Tree
  • Random Forest
  • Extra Trees
  • Gradient Boosting
  • LightGBM
  • XGBoost
  • CatBoost
  • HistGradientBoosting
  • BaggingClassifier

4. Оценка результатов

• Метрика: ROC-AUC
• Визуализация: ROC-кривые и графики важности признаков
• Сравнение всех моделей

5. Дополнительно

• Обучение простой нейронной сети
• Сохранение моделей с помощью pickle

---

📈 Результаты

• Лучшие модели достигли ROC-AUC > 0.75
• Удовлетворены требования:
  • Качество: ROC-AUC > 0.65
  • Скорость: время предсказания ≤ 3 секунд
• Важнейшие признаки: utm_source, device_type, geo_city, день недели и др.

---

🛠 Используемые технологии

• Python 3.10
• Pandas, NumPy
• Scikit-learn
• LightGBM, XGBoost, CatBoost
• Matplotlib, Seaborn
• Google Colab / Jupyter Notebook
• Pickle (сохранение моделей)

---

🚗 О сервисе «СберАвтоподписка»

«СберАвтоподписка» — сервис долгосрочной аренды автомобилей для физических лиц.

Включает:

• Ежемесячный фиксированный платеж
• Страхование (КАСКО, ОСАГО, ДСАГО)
• ТО, ремонт, смена и хранение шин
• 24/7 поддержка
• Доп. опция: консьерж-сервис

---

🧾 Лицензия

Проект выполнен в учебных целях. Использование и распространение ограничено образовательной задачей.