این دفترچه Jupyter برای تحلیل داده‌های مربوط به "نیت خرید مشتریان" طراحی شده است. هدف اصلی پیش‌بینی این است که آیا یک مشتری خرید را انجام خواهد داد یا نه، بر اساس ویژگی‌های مختلف مربوط به رفتار خرید آنلاین آن‌ها.

مجموعه داده‌ای که در این دفترچه استفاده می‌شود احتمالاً شامل ویژگی‌هایی مانند:

• صفحات اداری، اطلاعاتی، و مرتبط با محصول: تعداد صفحاتی که بازدیدکننده در دسته‌بندی‌های مختلف مشاهده کرده است.
• نرخ‌های پرش، نرخ‌های خروج، و مقادیر صفحه: معیارهایی برای ارزیابی تعامل مشتری.
• روز خاص: نشان‌دهنده نزدیکی به یک روز خاص (مثلاً تعطیلات).
• ماه: ماهی که بازدید در آن انجام شده است.
• سیستم عامل، مرورگر، منطقه، نوع ترافیک: اطلاعات فنی در مورد بازدیدکننده.
• نوع بازدیدکننده: اینکه بازدیدکننده جدید است یا بازگشتی.
• آخر هفته: آیا بازدید در آخر هفته انجام شده است یا خیر.
• درآمد: متغیر هدف که نشان می‌دهد آیا خرید انجام شده است یا خیر.

هدف اصلی این است که از تکنیک‌های یادگیری ماشین برای پیش‌بینی متغیر درآمد (آیا خرید انجام خواهد شد یا خیر) بر اساس ویژگی‌های موجود در مجموعه داده استفاده شود. این تحلیل می‌تواند به خرده‌فروشان آنلاین کمک کند تا رفتار مشتریان را درک کنند و استراتژی‌های بازاریابی و فروش خود را بهبود بخشند.

• رمزگذاری متغیرهای دسته‌ای.
• رسیدگی به مقادیر گمشده در صورت وجود.
• نرمال‌سازی یا مقیاس‌بندی ویژگی‌های عددی برای آماده‌سازی داده‌ها برای مدل‌سازی.

• مدل‌های مختلف یادگیری ماشین ساخته می‌شوند، مانند رگرسیون لجستیک، درخت‌های تصمیم، جنگل‌های تصادفی و یا سایر مدل‌ها.
• ممکن است از یک خط لوله برای ساده‌سازی مراحل پیش‌پردازش و آموزش مدل استفاده شود.

• عملکرد مدل‌ها با استفاده از معیارهایی مانند دقت، دقت مثبت، یادآوری، نمره F1 و ROC-AUC ارزیابی می‌شود تا اثرگذاری آن‌ها در پیش‌بینی نیت خرید بررسی شود.
• ممکن است از اعتبارسنجی متقابل و تنظیم‌های هایپرپارامتر برای بهینه‌سازی عملکرد مدل استفاده شود.

• نتایج مدل‌ها برای ارائه بینش‌هایی در مورد دقت و قابلیت اطمینان آن‌ها تصویری‌سازی می‌شود.
• ممکن است اهمیت ویژگی‌ها تجزیه و تحلیل شود تا مشخص شود کدام عوامل بیشترین تأثیر را بر تصمیمات خرید دارند.

• Python 3.x
• Jupyter Notebook
• Pandas
• Scikit-learn
• Matplotlib
• Seaborn
• Numpy

این دفترچه یک رویکرد جامع برای تحلیل نیت خرید مشتریان آنلاین با استفاده از تکنیک‌های یادگیری ماشین فراهم می‌آورد. این تحلیل می‌تواند به شناسایی عوامل کلیدی که رفتار خرید مشتریان را تحت تأثیر قرار می‌دهند کمک کند و به خرده‌فروشان آنلاین کمک نماید تا استراتژی‌های خود را برای افزایش نرخ تبدیل بهینه کنند.