Prédiction du succès des produits e-commerce

Mini-projet Machine Learning — Filière BSDSI | Année universitaire 2025-2026

Réalisé par : BEN ZHIR Wafa (BenWafae) · IKSOD Salma (salmaIKSOD)
Encadré par : AIT BAHA Tarek

🚀 Live Demo

Cliquez sur le badge pour tester l'application en temps réel — aucune installation requise.

---

Description générale

Ce projet a pour objectif de prédire si un produit e-commerce sera populaire ou non à partir du dataset Women's E-Commerce Clothing Reviews. Il est conçu comme un système de prédiction intelligent, combinant l'exploration des données, le prétraitement, l'entraînement de modèles de machine learning et une interface interactive.

Le projet permet de :

• Analyser les caractéristiques des produits et des avis clients
• Construire un modèle de classification binaire : produit recommandé 1 ou non recommandé 0
• Appliquer des méthodes de clustering non supervisé pour segmenter les clientes
• Mettre en place une application Streamlit interactive pour tester les prédictions en temps réel

Pourquoi ce problème ?

Dans le e-commerce, anticiper la popularité d'un produit permet de :

Cas d'usage	Bénéfice
Gestion de stock & logistique	Éviter les ruptures ou le surstockage
Campagnes marketing	Cibler les produits à fort potentiel
Recommandations clients	Personnaliser l'expérience d'achat

Le problème se formalise comme une classification binaire : prédire la popularité d'un produit à partir de ses caractéristiques et des avis clients.

---

Présentation du projet

Prédire si un produit vestimentaire sera recommandé ou non par les clientes, à partir de leurs avis et des caractéristiques du produit.

Élément	Détail
Dataset	Women's E-Commerce Clothing Reviews
Source	Kaggle — nicapotato
Taille	23 486 avis · 11 colonnes
Type de problème	Classification binaire
Variable cible	Recommended IND — 1 = recommandé · 0 = non recommandé

---

🗂️ Structure du dépôt

ecommerce-prediction/
├── app/
│   └── (ressources de l'application Streamlit)
├── data/
│   └── Womens Clothing E-Commerce Reviews.csv
├── model/
│   ├── models.pkl              ← 3 modèles optimisés (LR, DT, RF)
│   ├── scaler.pkl              ← StandardScaler fitté sur les données
│   ├── feature_columns.pkl     ← Liste des 36 colonnes dans le bon ordre
│   └── scaled_columns.pkl      ← Colonnes numériques à normaliser
├── notebooks/
│   ├── ecommerce_project.ipynb ← Notebook supervisé (EDA + ML + SHAP)
│   └── nonSupervise.ipynb      ← Notebook non supervisé (K-Means, DBSCAN, HC)
├── app.py                      ← Application Streamlit interactive
└── README.md

---

Environnement & exécution

Aucun environnement virtuel requis. Le projet tourne directement dans VS Code avec l'extension Jupyter.

Prérequis

Outil	Version / Usage
Python	3.13.9
VS Code	Éditeur utilisé
Extension Jupyter (VS Code)	Exécution cellule par cellule

Installation des dépendances

pip install pandas numpy matplotlib seaborn scikit-learn textblob wordcloud shap lime joblib streamlit plotly

Lancer le notebook supervisé

1. Forker le dépôt depuis GitHub
2. Cloner votre fork en local :

git clone https://github.com/<votre-username>/ecommerce-prediction.git
cd ecommerce-prediction

3. Ouvrir notebooks/ecommerce_project.ipynb dans VS Code
4. Exécuter chaque cellule avec Run (▶) ou Shift + Enter

Lancer le notebook non supervisé

# Ouvrir dans VS Code
notebooks/nonSupervise.ipynb

---

Pipeline du projet

Dataset brut
    ↓
Exploration (EDA)       — distributions, corrélations, valeurs manquantes
    ↓
Prétraitement           — nettoyage, outliers IQR, encodage, normalisation
    ↓
Feature Engineering     — longueur avis, polarité, subjectivité (TextBlob)
    ↓
Modélisation            — Logistic Regression · Decision Tree · Random Forest
    ↓
Évaluation              — accuracy, F1, matrice de confusion, cross-validation
    ↓
Optimisation            — GridSearchCV · RandomizedSearchCV
    ↓
Explicabilité           — SHAP (importance globale + prédiction individuelle)
    ↓
Non Supervisé           — K-Means · DBSCAN · Clustering Hiérarchique · PCA
    ↓
Application Streamlit   — Interface interactive de prédiction en temps réel

---

Résultats des modèles

Avant optimisation

Modèle	Accuracy	Precision	Recall	F1-Score
Logistic Regression	0.9346	0.9703	0.9498	0.9600
Decision Tree	0.9218	0.9552	0.9498	0.9525
Random Forest	0.9321	0.9719	0.9451	0.9583

Après optimisation (GridSearchCV / RandomizedSearchCV)

Modèle	Accuracy	F1-Score	Meilleurs paramètres
Logistic Regression	0.9353	0.9604	C=10, solver=lbfgs
Decision Tree	0.9343	0.9597	max_depth=5, criterion=entropy
Random Forest	0.9375	0.9616	n_estimators=100, max_depth=10

Cross-validation (cv = 3)

Modèle	F1 moyen	Écart-type
Logistic Regression	0.9597	±0.0005
Decision Tree	0.9490	±0.0012
Random Forest	0.9601	±0.0017

Modèle retenu : Random Forest optimisé — meilleur F1 global (0.9616) et meilleure Accuracy (0.9375).

---

Feature Engineering NLP

Feature créée	Description	Outil
review_length	Nombre de mots dans l'avis	Python .split()
polarity	Sentiment du texte (−1 négatif → +1 positif)	TextBlob
subjectivity	Opinion vs fait (0 objectif → 1 subjectif)	TextBlob

SHAP confirme que polarity et subjectivity sont les 2ᵉ et 3ᵉ variables les plus influentes après Rating.

---

Explicabilité — SHAP

Au-delà de la performance brute, SHAP permet de comprendre pourquoi le modèle prédit une recommandation — variable par variable, prédiction par prédiction.

Rang	Variable	Score SHAP moyen	Interprétation
1	Rating	0.1907	Variable dominante (×6 vs le suivant)
2	polarity	0.0309	Feature Engineering utile
3	subjectivity	0.0090	Contribution légère
4	Positive Feedback Count	0.0056	Faible mais réel
5	review_length	0.0048	Faible mais réel

---

Optimisation des hyperparamètres

Les modèles par défaut ne sont pas toujours optimaux. GridSearchCV et RandomizedSearchCV testent automatiquement plusieurs combinaisons de paramètres pour trouver la meilleure configuration.

Modèle	Méthode	Paramètres testés
Logistic Regression	GridSearchCV	C, solver
Decision Tree	GridSearchCV	max_depth, criterion, min_samples_split
Random Forest	RandomizedSearchCV	n_estimators, max_depth, max_features

---

Apprentissage Non Supervisé

En complément du modèle supervisé, nous avons appliqué des techniques de clustering non supervisé pour explorer les comportements cachés des clientes — sans variable cible.

Variables utilisées

X = df[['Age', 'Rating', 'Positive Feedback Count']]

Après normalisation avec StandardScaler et réduction de dimension avec PCA (2 composantes).

K-Means — Segmentation en 4 clusters

Le nombre optimal de clusters (K=4) a été déterminé par la méthode du coude.

Cluster	Taille	Âge moyen	Rating moyen	Feedback moyen	Profil
Cluster 0	8 350	~35 ans	⭐ 4.72	~0.5	🔵 Satisfaites passives
Cluster 1	2 918	~43 ans	⭐ 4.32	~4.7	🟢 Engagées actives (ambassadrices)
Cluster 2	5 399	~57 ans	⭐ 4.63	~0.7	🟡 Âgées satisfaites
Cluster 3	3 732	~40 ans	⭐ 2.32	~0.9	🔴 Insatisfaites (à surveiller)

kmeans = KMeans(n_clusters=4, random_state=42)
labels_kmeans = kmeans.fit_predict(X_scaled)

DBSCAN — Détection d'anomalies

dbscan = DBSCAN(eps=0.5, min_samples=5)
labels_dbscan = dbscan.fit_predict(X_scaled)

Identifie automatiquement les outliers (label -1) : avis incohérents, ratings atypiques.

Clustering Hiérarchique

hc = AgglomerativeClustering(n_clusters=3)
labels_hc = hc.fit_predict(X_scaled)

Construit une hiérarchie de groupes — utile pour visualiser les relations entre clusters.

Insights business tirés du clustering

Action	Cluster ciblé	Objectif
Programme fidélité / VIP	Cluster 1 (Engagées)	Valoriser les ambassadrices
Amélioration produit	Cluster 3 (Insatisfaites)	Réduire le churn
Encourager les avis	Cluster 0 & 2 (Passives)	Augmenter l'engagement

---

Application Streamlit — ShopSense AI

L'application interactive ShopSense AI constitue l'aboutissement du projet. Elle permet de tester les prédictions en temps réel, d'explorer les résultats ML et de visualiser les explications SHAP — le tout dans une interface moderne en 8 pages.

Lancer l'application

streamlit run app.py

Pages disponibles

Page	Contenu
01 · Accueil	Présentation du projet, technologies, dataset
02 · Exploration des Données	Distributions, corrélations, visualisations EDA
03 · Modélisation ML	Résultats, cross-validation, optimisation, feature importances
04 · Non Supervisé	PCA, K-Means, DBSCAN, Clustering Hiérarchique, profils clients
05 · Prédiction	Interface de prédiction interactive en temps réel
06 · Explication IA	SHAP global + Waterfall Plot individuel + Beeswarm Plot
07 · Valeur Ajoutée	Insights business et recommandations stratégiques
08 · Conclusion	Bilan, limites et perspectives

Pipeline de prédiction réelle

Quand l'utilisateur soumet un avis, l'application exécute exactement le même pipeline que le notebook :

Texte saisi
    ↓
TextBlob → polarity + subjectivity
    ↓
Reconstruction des 36 colonnes (One-Hot Encoding inclus)
    ↓
StandardScaler (vrai scaler fitté sur les données)
    ↓
Modèle ML (Random Forest / Decision Tree / Logistic Regression)
    ↓
predict() + predict_proba() → résultat + probabilité

Fichiers pkl nécessaires

Fichier	Contenu
model/models.pkl	3 modèles optimisés sauvegardés
model/scaler.pkl	StandardScaler fitté sur le dataset
model/feature_columns.pkl	36 colonnes dans le bon ordre
model/scaled_columns.pkl	6 colonnes numériques à normaliser

⚠️ Ces fichiers sont générés en exécutant le bloc de sauvegarde à la fin du notebook ecommerce_project.ipynb.

Exemples de prédiction testés

Rating	Avis	Feedback	Résultat	Probabilité
3	"i really found it so bad it was not comfortable at all"	6	❌ Non Recommandé	37%
4	"i reelly love it it was impressive so goood so comfortable"	39	✅ Recommandé	100%
4	"neutre"	0	✅ Recommandé	87%

Le modèle reflète fidèlement les données réelles : 85.3% des produits avec Rating 4 sont recommandés dans le dataset.

---

📸 Screenshots

Accueil

Modélisation ML

Prédiction en temps réel

Explication SHAP

---

Limites & pistes d'amélioration

Limite identifiée	Piste d'amélioration
Déséquilibre des classes (82% / 18%)	Appliquer SMOTE ou class_weight='balanced'
Analyse textuelle basique (TextBlob)	Utiliser un modèle BERT ou TF-IDF avancé
Texte en anglais seulement	Extension multilingue avec mBERT ou XLM-RoBERTa
Données statiques	Pipeline MLOps avec re-entraînement automatique
Déploiement local uniquement	✅ Déployé sur Streamlit Cloud

---

Organisation Git

Branche	Contributrice	Profil
main	Dépôt principal partagé	—
benzhirWafa	BEN ZHIR Wafa	github.com/BenWafae
iksodsalma	IKSOD Salma	github.com/salmaIKSOD

Workflow utilisé

Chaque contributrice travaille sur sa branche, puis intègre les modifications via les commandes suivantes :

git fetch origin
git merge origin/iksodsalma
# ou
git merge origin/benzhirWafa

---

Bibliothèques utilisées

Bibliothèque	Usage
pandas / numpy	Manipulation des données
matplotlib / seaborn	Visualisation
scikit-learn	Modélisation ML + clustering
textblob	Analyse de sentiment NLP
wordcloud	Visualisation textuelle
shap	Explicabilité IA
joblib / pickle	Sauvegarde des modèles
streamlit	Application interactive
plotly	Visualisations interactives dans Streamlit

---

Projet réalisé dans le cadre du cours Systèmes Intelligents — BSDSI 2025-2026

BEN ZHIR Wafa · IKSOD Salma · Enc. AIT BAHA Tarek