Lidya17's picture
Upload README.md with huggingface_hub
ef547d2 verified
|
Raw History Blame Contribute Delete
5.2 kB
---
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.