Фанасов Глеб (1)

1. ML-СИСТЕМА АНАЛИЗА ЛОЯЛЬНОСТИ КЛИЕНТОВ ИНТЕРНЕТ-МАГАЗИНА

ГБОУ Школа № 1363
ML-СИСТЕМА АНАЛИЗА ЛОЯЛЬНОСТИ
КЛИЕНТОВ ИНТЕРНЕТ-МАГАЗИНА
Тип проекта: ML-проект
Автор: Фанасов Глеб
Руководитель: Чарная О.М.
Москва, 2025-2026 год
1

2.

Актуальность
Интернет-магазины сталкиваются
с высокой конкуренцией и
необходимостью удержания
клиентов. Прогнозирование
лояльности позволяет снизить
отток и увеличить прибыль.
Проект актуален в условиях
цифровизации торговли и
развития аналитики данных.
2

3.

Цель
Разработка
интеллектуальной
системы для анализа
клиентских данных и
прогнозирования
лояльности.
Задачи
1. Сбор и подготовка данных
2. Обучение модели машинного
обучения
3. Разработка алгоритма
прогнозирования
4 Визуализация результатов
5. Формирование рекомендаций
3

4.

Этапы работы над проектом
Этап 1. Сбор данных. Подготовка CSV-файла с признаками клиентов.
Этап 2. Обучение модели. Random Forest обучен, точность ~80%.
Этап 3. Интерфейс анализа. Ввод данных клиента и автоматический прогноз.
Этап 4. Визуализация. Диаграммы и гистограммы для анализа.
Этап 5. Рекомендации. Выявление проблемных клиентов и предложения по
удержанию
4

5.

Анализ аналоговых решений (таблица + вывод)
Анализ аналогов показывает, что существующие решения либо слишком сложны и дорогие,
либо не дают возможности изучить работу алгоритмов. Разработанная система выгодно
отличается доступностью, прозрачностью и возможностью адаптации под учебные задачи.
Она закрывает потребность в понятном инструменте для анализа лояльности клиентов и
подходит как для обучения, так и для практического применения.
5

6.

Ресурсы проекта
Компьютер с установленным Python, библиотеки pandas, numpy, scikit-learn,
matplotlib, seaborn. Данные клиентов (CSV-файл).
Возможные риски, меры по их предотвращению
- Недостаток данных: использовать синтетическую генерацию.
- Переобучение: использовать кросс-валидацию и регуляризацию.
- Ошибки ввода: реализовать валидацию данных.
6

7.

7

8.

8

9.

9

10.

10

11.

Выводы
В результате проекта была создана система анализа лояльности клиентов.
Она позволяет прогнозировать поведение клиентов, визуализировать
данные и давать рекомендации. Проект доказал эффективность машинного
обучения в e-commerce. В будущем возможна интеграция с CRM и
расширение функционала.
Перспективы развития проекта
Расширение функционала системы, интеграция с реальными
CRM-платформами и повышение точности модели за счёт новых данных и
алгоритмов.
11

12.

Конец
Контакт
12

13.

Источники информации
Интернет-ресурсы:
Mall_Customers / [Электронный ресурс] // : [сайт]. — URL: https://www.kaggle.com/datasets/shwetabh123/mallcustomers (дата обращения: 29.11.2025).
13