--- 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.