Previsão de Consumo - Aplicativo de Gamificação de Shopping 🛍️

📝 Descrição

Este projeto utiliza aprendizado de máquina para prever o tipo de consumo de clientes com base em suas características, otimizando campanhas de marketing dentro de um aplicativo de gamificação de um shopping. O projeto foi desenvolvido para o Hackathon Desafio Viva Center Norte na Campus Party BR16 como uma funcionalidade alinhada com a aplicação mobile de gamificação.

Time 🏆

Machine Learning

Gabriella Graciano de Souza
📧 E-mail: [email protected]
🖋️ Behance: behance.net/gabygraciano

Desenvolvimento

Breno do Amaral Falcão Souto
📧 E-mail: [email protected]
🌐 GitHub: github.com/brenodoamaral1

Desenvolvimento

Marcelo Nunes Ananias Petroni
📧 E-mail: [email protected]
🌐 GitHub: github.com/marcelopetroni

🔍 Como Funciona:

O modelo de Machine Learning treinado (Random Forest Classifier) utiliza dados como faixa etária, motivo da visita, tipos de lojas frequentadas, fatores de compra e preferência de marcas para prever o tipo de consumo de um cliente com base no e-mail fornecido. O resultado da previsão é exibido em uma interface gráfica simples usando Tkinter.

Esses dados são previamente coletados através de uma pesquisa dentro do aplicativo de gamificação no qual o usuário ganhará pontos por responde-la. As perguntas da pesquisa são pensadas em uma forma que colete os dados que queremos para usar no nosso modelo.

⚙️ Tecnologias Utilizadas:

📙 Jupyter Notebook 🐍 Python 🐼 Pandas 🧠 Scikit-learn 🖼️ Tkinter

Como Rodar o Projeto 🏃

Passo 1: Clone o repositório

git clone https://github.com/gabygraciano/Modelo-de-classificacao-CONSUMO.git

Passo 2: Instale as dependências

pip install pandas scikit-learn

Passo 3: Digite o comando abaixo no seu terminal

python app.py

OBS: Não esqueça de criar e ativar seu ambiente virtual.

Saiba como fazer clicando aqui: https://docs.python.org/pt-br/dev/library/venv.html

👨‍💻 Testando o modelo:

No espaço abaixo, insira um e-mail cadastrado na planilha de dados:

Depois é só clicar em "prever" e visualizar o resultado:

📈 Acurácia:

A acurácia do modelo foi calculada em 81%. Esta métrica foi obtida fazendo previsões no conjunto de teste e comparando-as com os rótulos reais.