Amazon India E-commerce Sales Analysis & Demand Forecasting

Анализ продаж Amazon India + прогнозирование спроса с помощью машинного обучения

Полноценный end-to-end аналитический проект: от очистки данных до RFM-сегментации клиентов и построения модели прогнозирования спроса.

---

🎯 О проекте

Проект посвящён глубокому анализу продаж на Amazon India (март–июнь 2022) и разработке модели прогнозирования количества продаж (qty).

Основная цель — выявить ключевые драйверы выручки, сегментировать клиентов и построить полезную модель demand forecasting, которая поможет оптимизировать сток и продажи.

Ключевые результаты

• Общая выручка за 4 месяца: 75.4 млн INR
• Продано 116 479 единиц товаров
• Категория Set приносит 49.95% всей выручки
• RFM-анализ: сегменты Champions + Loyal Customers (42.8% клиентов) генерируют 91.5% выручки
• Модель: RandomForestRegressor
• MAE: 5.73 шт.
• RMSE: 12.87 шт.
• R²: 0.1608

Самый важный фактор — наличие и объём стока товара.

---

📊 Основные insights из EDA

• Две категории (Set + kurta) обеспечивают 77.07% оборота
• Товары в наличии продаются на 26.6% лучше
• Amazon Fulfillment даёт средний чек в 3+ раза выше, чем Merchant
• Размеры L, XL, XXL значительно доминируют в продажах
• Более 61% клиентов относятся к низкоценным сегментам и приносят менее 9% выручки

Бизнес-выводы и рекомендации находятся в презентации (Amazon India E-commerce Analysis presentation.pdf).

---

🛠 Технологический стек

• Язык: Python 3.10
• Анализ данных: Pandas, NumPy
• Визуализация: Plotly, Matplotlib, Seaborn
• Машинное обучение: Scikit-learn, RandomForestRegressor
• Аналитика клиентов: RFM-анализ, ABC-анализ
• Дополнительно: Feature Engineering, временные признаки

---

📁 Структура проекта

ecommerce-analytics/
├── dashboards/                    # Интерактивные дашборды
├── data/                          # raw + processed данные
├── models/                        # Сохранённые модели (joblib)
├── notebooks/                     # Основные этапы анализа
│   ├── 01_data_overview.ipynb
│   ├── 02_clean_amazon_sales.ipynb
│   ├── 03_clean_stock.ipynb
│   ├── 04_feature_engineering.ipynb
│   ├── 05_eda.ipynb
│   ├── 06_rfm_customer_segmentation.ipynb
│   └── 07_modeling.ipynb
├── utils/                         # Вспомогательные скрипты
├── Amazon India E-commerce Analysis presentation.pdf
├── requirements.txt
└── README.md

🚀 Как запустить проект

1. Клонируйте репозиторий

git clone https://github.com/temakiselevv/ecommerce-analytics.git
cd telco-churn-project

2. Создайте и активируйте виртуальное окружение

py -m venv venv

# Linux/macOS
source venv/bin/activate

# Windows
venv\Scripts\activate

3. Установите необходиые зависимости:

pip install -r requirements.txt

4. Скачайте датасет с Kaggle по ссылке:
https://www.kaggle.com/datasets/thedevastator/unlock-profits-with-e-commerce-sales-data

Распакуйте архив и положите файлы Amazon Sale Report.csv и Sale Report.csv в папку data/raw/.

Примечание: остальные файлы не были включены в анализ из-за некачественности данных.

5. Запустите Jupyter Notebooks последовательно: :

1. 02_clean_amazon_sales.ipynb
2. 03_clean_stock.ipynb
3. 04_feature_engineering.ipynb
4. 05_eda.ipynb
5. 06_rfm_customer_segmentation.ipynb
6. 07_modeling.ipynb

📈 Методология

• Очистка и объединение данных продаж и стоков
• Feature Engineering (временные признаки, признаки стока, target encoding)
• Разведочный анализ данных (EDA)
• RFM-сегментация клиентов
• Примитивный ABC-анализ
• Построение модели прогнозирования спроса (qty)
• Анализ важности признаков и бизнес-рекомендации

📌 Ключевые особенности проекта

• Полный цикл анализа: от сырых данных до бизнес-рекомендаций
• Качественная RFM-сегментация клиентов
• Комбинация продуктового и клиентского анализа
• Практически применимая модель прогнозирования спроса
• Чёткие бизнес-инсайты и рекомендации

Дополнительные материалы

• Презентация — Amazon India E-commerce Analysis presentation.pdf
• Jupyter notebooks — подробный разбор каждого этапа

Хотите увидеть проект в действии? Открывайте ноутбуки или презентацию — там вся ценность. ⭐ Если проект был полезен — ставьте звезду!

Автор

Киселев Артём — Junior Data Analyst
GitHub: Tema Kiselev (temakiselevv) | Telegram: @tema_kiselev

Проект создан как демонстрация навыков в анализе продаж, RFM-сегментации, feature engineering и построении моделей demand forecasting.