Customer Segment Classifier (Decision Tree)
Model klasifikasi multikelas yang memprediksi customer_segment (Consumer, Premium, VIP, Business)
dari profil pelanggan e-commerce. Dibuat sebagai proyek mata kuliah Business Data Science (MN1135),
Program Studi Manajemen.
Catatan jujur: pada dataset ini, fitur yang tersedia hampir tidak memuat informasi tentang segmen. Performa model hanya setara tebakan acak (lihat bagian Performa dan Keterbatasan). Model ini dipublikasikan sebagai bukti alur deployment, bukan sebagai alat pengambil keputusan.
Dataset
- Nama: E-commerce Sales Analytics Dataset (
customer_master.csv) - Sumber: https://www.kaggle.com/datasets/datascikhan/e-commerce-sales-and-customer-analytics
- Ukuran: 25.000 baris, 8 fitur input (setelah One-Hot Encoding menjadi 15,606 kolom)
- Target:
customer_segmentβ 4 kelas (Consumer 54,5% | Premium 25,2% | VIP 10,2% | Business 10,1%)
Jenis tugas
Klasifikasi multikelas (4 kelas). Metrik utama: F1-score macro, karena kelas target timpang.
Fitur input
| Fitur | Tipe | Keterangan |
|---|---|---|
customer_age |
integer | Usia pelanggan, 18β74 |
gender |
kategorikal | Female / Male / Non-Binary |
customer_city |
kategorikal | 15.555 kota unik |
customer_state |
kategorikal | 38 negara bagian/provinsi |
customer_country |
kategorikal | 7 negara (Australia, Canada, Germany, India, UAE, UK, USA) |
region |
kategorikal | Central, East, North, South, West |
customer_postal_code |
integer | Kode pos |
customer_acquisition_cost |
float | Biaya akuisisi pelanggan, 5,01β79,99 |
Fitur kategorikal di-One-Hot Encoding dengan drop_first=True; urutan kolom disimpan di feature_names.joblib.
Performa pada data uji (5.000 baris, 20% data)
| Metrik | Nilai |
|---|---|
| F1-score (macro) | 0.2471 |
| Precision (macro) | 0.2472 |
| Recall (macro) | 0.2471 |
| Accuracy | 0.3716 |
Pembanding: selalu menebak "Consumer" menghasilkan accuracy 0,5456; tebakan acak sesuai proporsi menghasilkan F1 macro sekitar 0,25.
Berkas dalam repository
| Berkas | Isi |
|---|---|
model_segmen.joblib |
Model Decision Tree hasil tuning |
scaler.joblib |
StandardScaler (dilatih pada customer_age dan customer_acquisition_cost) |
feature_names.joblib |
Daftar dan urutan kolom setelah encoding |
metadata.joblib |
Kolom numerik/kategorikal, versi scikit-learn, parameter, label kelas, dan metrik |
requirements.txt |
Pustaka yang diperlukan; versi scikit-learn dikunci ke 1.6.1 |
app.py |
Aplikasi Gradio untuk mencoba model lewat peramban |
Model dilatih dengan scikit-learn 1.6.1. Pasang versi yang sama (pip install -r requirements.txt)
agar tidak muncul InconsistentVersionWarning saat memuat model.
Cara memuat dan memakai
import joblib, pandas as pd
from huggingface_hub import hf_hub_download
repo_id = "Lidya17/customer-segment-model"
model = joblib.load(hf_hub_download(repo_id, "model_segmen.joblib"))
scaler = joblib.load(hf_hub_download(repo_id, "scaler.joblib"))
fitur = joblib.load(hf_hub_download(repo_id, "feature_names.joblib"))
meta = joblib.load(hf_hub_download(repo_id, "metadata.joblib"))
contoh = {"customer_age": 54, "gender": "Female", "customer_city": "Laurenland",
"customer_state": "Dubai", "customer_country": "UAE", "region": "South",
"customer_postal_code": 11253, "customer_acquisition_cost": 13.58}
baris = pd.DataFrame(0.0, index=[0], columns=fitur)
for k, v in contoh.items():
if k in baris.columns:
baris.loc[0, k] = v # fitur numerik
elif f"{k}_{v}" in baris.columns:
baris.loc[0, f"{k}_{v}"] = 1.0 # fitur kategorikal (one-hot)
pred = int(model.predict(baris)[0])
print(meta["label_kelas"][str(pred)])
Kategori yang tidak dikenal (misalnya kota baru) dibiarkan bernilai 0 pada semua kolom kota.
Menjalankan aplikasi
pip install -r requirements.txt
python app.py
Aplikasi menerima nilai mentah (umur, gender, kota, negara bagian, negara, region, kode pos, biaya akuisisi), menerapkan pra-pemrosesan yang sama persis dengan saat pelatihan, lalu menampilkan segmen yang diprediksi.
Keterbatasan
- Daya prediksi sangat rendah. Umur, biaya akuisisi, gender, dan lokasi tidak membedakan segmen (rata-rata umur dan biaya akuisisi hampir identik di keempat segmen). Hasil model mendekati tebakan acak.
- Kelas minoritas hampir tidak terdeteksi. Recall VIP dan Business sangat rendah.
- Kota berkardinalitas tinggi. 15.555 kota dari 25.000 baris berarti kebanyakan kota hanya muncul 1β2 kali; model cenderung menghafal, bukan menggeneralisasi.
- Hanya profil pelanggan. Tidak ada data transaksi (frekuensi, nilai belanja, kategori produk) yang biasanya menjadi dasar segmentasi sesungguhnya.
- Satu dataset, satu periode. Tidak diuji pada data dari sumber atau waktu lain.
Penggunaan yang tidak disarankan
Jangan dipakai untuk menentukan perlakuan, harga, atau promosi pelanggan sungguhan.