母婴电商用户留存分析与流失预测系统( retention-analytics)产品系统Vibe Coding

本项目基于阿里天池母婴电商数据集，构建了一套完整的用户留存分析体系。通过Python进行数据清洗与特征工程，利用机器学习算法建立用户流失预测模型，并引入SHAP值对模型进行可解释性分析。最终使用Streamlit搭建交互式数据仪表盘，直观展示关键指标，帮助运营人员精准定位高流失风险用户，从而制定针对性的挽留策略，提升用户生命周期价值。

1. 数据探索与清洗模块： 支持对阿里天池母婴数据集进行自动化读取，提供缺失值处理、异常值检测及用户画像特征提取功能。
2. 流失预测模型引擎： 内置XGBoost/LightGBM等机器学习算法，自动训练模型并输出用户流失概率评分，准确识别潜在流失客户。
3. SHAP模型解释器： 集成SHAP值分析，量化各特征（如购买频率、最近一次购买时间）对预测结果的影响权重，解决算法“黑盒”问题。
4. Streamlit交互仪表盘： 提供可视化的前端界面，支持动态筛选用户群体，实时展示留存率趋势图、关键指标看板及预测结果导出功能。

我的职责： 独立负责从数据ETL、特征工程、模型构建到前端可视化部署的全流程开发。
技术栈与亮点： 基于 Python 生态，使用 Pandas/NumPy 进行高效数据处理；利用 Scikit-learn/XGBoost 构建高精度预测模型；引入 SHAP 库实现模型可解释性分析；最终使用 Streamlit 框架零代码搭建交互式Web应用。难点在于特征工程的精细化处理以及模型在业务场景下的可解释性落地。