uluumy

Ce projet utilisera une base de données qui provient de Kaggle afin de pouvoir créer un modèle de score de prospect. En anglais, ceci se nomme : Lead scoring model. La base de données se trouve ici : Lead Scoring X Online Education Kaggle. Plus précisément, cette base de données est à propos d’une plateforme en ligne orientée sur l’éducation qui offre des cours en ligne pour des professionnels. Un peu comme Uluumy. Ainsi, plusieurs variables sont collectées quant à leurs habitudes de navigation sur leur site Internet tel que le nombre de pages consultées et le temps qu’ils passent sur le site. De plus, leurs caractéristiques démographiques telles que leur âge, leur sexe et le pays dans lequel ils résident sont aussi amassées. Un lead scoring modèle permet d’attribuer aux clients des points selon leur propension à effectuer un achat ou à utiliser un service en particulier. Ainsi, plus les prospects ont de points, plus ils sont proches d’effectuer un achat. Cela permet aux équipes d’analytique, de vente et de marketing de s’entraider efficacement. La création de ce genre de modèle permet aux deux dernières équipes de concentrer leurs efforts aux bons endroits, car les clients qui ont plus de chance d’acheter des produits seront identifiés et approchés par l’équipe de vente. Il serait dommage de mettre de l’argent sur des prospects qui ont peu de pourcentage de chance d’effectuer un achat. La librairie open source Pycaret sera utilisée pour faciliter, entre autres, les étapes de création, d’évaluation et d’optimisation de modèle d’apprentissage automatique. Elle est considérée comme low-code parce que cette librairie est basée sur Scikit-Learn pour entraîner les modèles. Cependant, nous n'avons pas à coder tout au complet puisque Pycaret utilise des fonctions qui le font pour nous.