File size: 5,199 Bytes
ef547d2
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
 
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
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
---
license: mit
library_name: scikit-learn
tags:
  - tabular-classification
  - customer-segmentation
  - scikit-learn
---

# 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_segment` — 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, 18–74 |
| `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, 5,01–79,99 |

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

```python
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

```bash
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

1. **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.
2. **Kelas minoritas hampir tidak terdeteksi.** Recall VIP dan Business sangat rendah.
3. **Kota berkardinalitas tinggi.** 15.555 kota dari 25.000 baris berarti kebanyakan kota hanya muncul 1–2 kali;
   model cenderung menghafal, bukan menggeneralisasi.
4. **Hanya profil pelanggan.** Tidak ada data transaksi (frekuensi, nilai belanja, kategori produk) yang
   biasanya menjadi dasar segmentasi sesungguhnya.
5. **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.