Usando dados para prever hábitos de compra no Starbucks

Confira como técnicas descritivas e um modelo de Machine Learning são capazes de responder perguntas importantes de negócios a partir de informações simples

Em artigo publicado no Medium, o engenheiro de Machine Learning Ravish Chawla traça algumas análises descritivas sobre o negócios do Starbucks e cria um modelo simples de machine learning para responder três perguntas principais:

1. Como o sexo influencia o quanto alguém gasta no Starbucks? Os homens gastam mais que as mulheres ou o contrário?

2. Quantas pessoas visualizam e concluem ofertas? E quantas pessoas concluem ofertas sem abri-las primeiro?

3. Quais são os atributos que mais contribuem para os nível de gastos de alguém no Starbucks?

Na primeira visualização à esquerda é possível ver algumas tendências interessantes. Por exemplo, em termos de idade, a maioria das mulheres compradoras tende a ser mais jovem que os homens. Na segunda visualização, vemos um gráfico cruzado dos diferentes tipos de oferta. É visível que as ofertas de desconto têm a maior duração e as ofertas promocionais – ao estilo “pague 1, leve 2”, chamadas de BOGO – têm a maior recompensa.

Também é possível checar quais ofertas as pessoas tendem a responder mais.

Apenas de forma descritiva, os gráficos apontam que a maioria das ofertas é enviada por e-mail e celular. As ofertas informativas também são mais raras do que os outros tipos de ofertas.

Preparação dos dados

Como em qualquer projeto, a etapa de Data Preparation é sempre muito importante e geralmente uma das mais trabalhosas. Normalmente é preciso muitas etapas para limpar e pré-processar essas informações para que se tornem utilizáveis. No caso do Starbucks, primeiro é necessário checar quais os tipos de dados serão utilizados para análise.

Cada dataset, ou conjunto de dados, como idade, desde quando é cliente, gênero, etc. será processado individualmente. Os passos para isso são basicamente três:

1. Reformatar o dicionário no primeiro dataset para analisar os valores da oferta;

2. Separar os valores do canal das listas armazenadas no segundo dataset;

3. Formatar os dados de valor no terceiro dataset e remover as linhas com valores ausentes;

Para cada dataset, converter valores baseados em texto em colunas individuais vetorizadas one-hot.

Os dados limpos acima têm o atributo “gender” – gênero – separados em colunas diferentes e as divisões em ano, mês e dia. Finalmente, as linhas com valores ausentes são removidas. Processamento semelhante foi feito para as outras tabelas de dados.

Analisando os dados

Com os dados limpos das transações é possível se debruçar sobre as quantidades de compras diferentes por sexo. 

Analisando o primeiro gráfico, fica evidente que mulheres gastam mais do que os homens. O interessante no segundo gráfico é que há muito mais registros de compras feitas por homens do que por mulheres.

A última tabela fornece estatísticas mais detalhadas sobre quantidade, idade e renda, separadas por sexo, mostrando de forma mais clara que as mulheres gastam mais do que os homens, com média e desvio mais altos. Ao contrário do enredo inicial de dados brutos, percebemos que a idade da maioria dos compradores é semelhante para homens e mulheres. Finalmente, a maior diferença que vemos é em renda, que mostra que as mulheres que compram no Starbucks têm, em média, rendimentos maiores do que os rendimentos dos homens que compram no Starbucks.

Isso responde à primeira pergunta sobre a influência do gênero das compras. Os homens tendem a fazer mais compras e as mulheres gastam mais no Starbucks, com uma diferença média de cerca de 6 dólares por compra.

Avançando nas respostas

Agora, vamos responder à segunda pergunta: “Quantas pessoas visualizam e concluem ofertas? E quantas pessoas concluem ofertas sem abri-las primeiro?”.

Como visto antes, o conjunto de dados possui diferentes tipos de eventos associados a uma transação. Ainda usando basicamente técnicas descritivas, é possível extrair do banco de dados as informações do comportamento de cada oferta em relação a cada cliente, incluindo quando uma oferta é recebida e também visualizada e concluída.

Status das ofertas enviadas (esquerda) e número de compras feitas com uma oferta (direita)

Os três gráficos respondem a várias perguntas. No primeiro gráfico, vemos que, além dos usuários que fazem uma compra que não corresponde a uma oferta, mais pessoas concluem uma oferta sem recebê-la primeiro. No entanto, cerca de 8.000 pessoas ainda utilizam ofertas.

O segundo gráfico mostra quantas transações são feitas para concluir ofertas. Há uma clara distorção em zero transações. Além disso, a maioria das ofertas é concluída em 1 a 2 compras. Finalmente há uma amostra de linhas em que uma oferta foi concluída sem nenhuma transação. Isso mostra que o conjunto de dados pode conter registros incompletos.

Então temos resposta para a segunda pergunta: 25% das pessoas visualizam e concluem ofertas, enquanto 10% das pessoas concluem ofertas sem visualizá-las primeiro.

Modelando os Dados

Com os dados limpos é possível utilizar modelos supervisionados de Machine Learning para prever entender os fatores que mais contribuem para o nível de gasto por cada perfil de usuário.

Neste post nós fazemos um tour pelos 10 principais algoritmos de Machine Learning que você pode ler para se basear melhor. Para o caso do Starbucks é possível utilizar modelos como Support Vector Machine – SVM – e Random Forest. Após rodar a regressão nestes modelos, a melhor prática é comparar o resultado de ambos os processos fazer ajustes nos parâmetros analisados para treinar um novo modelo – por isso é chamado de aprendizado supervisionado.  Esse processo pode levar horas e exige bastante conhecimento técnico de Machine Learning e linhas de código para ser bem executado.

E, finalmente, é possível chegar a este resultado:

Como ficou claro, a renda e a idade são os fatores que contribuem bem mais que o sexo. 

Isso responde à terceira pergunta, sobre quais atributos mais influenciam o preço. É provável que a renda e a idade sejam os fatores de maior influência sobre o quanto um cliente gasta na Starbucks.

Essas são algumas descobertas possíveis que um profissional de Ciência de Dados pode fazer tendo em mãos bons conjuntos de dados e com habilidade e tempo para executar modelos de Aprendizado de Máquina Supervisionado. Com os dados limpos e processados, é possível utilizá-los para analisar muitas outras tendências e responder outras perguntas importantes de negócio que possam ser relevantes para tomadas de decisões estratégicas, tanto no Starbucks quanto na sua empresa.