🛒 Market Basket Analysis — Streamlit App for Retail

---

🔗 Abrir la app interactiva en vivo →

---

Repositorio del proyecto final del bootcamp de Data Science & Machine Learning de 4Geeks Academy.
Esta app interactiva permite analizar transacciones reales de retail para generar recomendaciones personalizadas, descubrir patrones frecuentes y proponer acciones comerciales accionables.

---

Desarrollado por: Valentina Larrañaga
App interactiva: 🔗 Ver app en vivo
Repositorio GitHub: 📁 Ir al repositorio

---

📘 Resumen del Proyecto

Este proyecto aplica técnicas de Market Basket Analysis para detectar patrones de compra frecuentes y proponer estrategias comerciales accionables en el contexto de retail.

---

🎯 Objetivo del proyecto

• Detectar asociaciones entre productos frecuentemente comprados juntos.
• Diseñar recomendaciones personalizadas.
• Proponer acciones comerciales para aumentar el ticket promedio.

---

🔎 Metodología aplicada

• Dataset real de transacciones online (UK, 2010–2011)
• Algoritmo: Apriori (mlxtend)
• Generación de matriz binaria Factura x Producto
• Filtros aplicados: soporte ≥ 1%, confianza ≥ 20%, lift ≥ 2

---

📊 Exploraciones y Reglas

• Visualización de productos más vendidos, transacciones por mes, ejemplo real de canasta.
• Reglas de asociación exploradas en red, tabla y heatmap.
• Reglas clave: confianza > 70%, lift > 20.

---

🖼️ Capturas de la App

🏠 Acerca del Proyecto

📊 Exploración de Datos

🔗 Reglas de Asociación

🗺️ Red de productos

📋 Tabla de reglas generadas

🏆 Top 5 reglas por score

♨️ Heatmap de asociación

🛍 Recomendaciones Personalizadas

📌 Heatmap por Producto

🎯 Relación con otros productos

📍 Sugerencia de ubicación o agrupación

💼 Acciones Estratégicas

🧩 Sugerencias agrupadas por tipo

🧾 Acciones seleccionadas y plan descargable

📋 Conclusiones y Resultados

---

🛍️ Recomendaciones y Acciones Estratégicas

• Recomendaciones personalizadas por producto
• Heatmap para analizar asociaciones por soporte, confianza o lift
• Sugerencias de bundles, promociones cruzadas, rediseño de layout y acciones operativas

---

📋 Conclusiones y aprendizajes

Este proyecto permitió aplicar técnicas de análisis de canasta de productos con un enfoque práctico y orientado al negocio.

Se logró:

• Detectar reglas de asociación con alta confianza (hasta 76%) y lift mayor a 20
• Generar bundles reales y recomendaciones personalizadas con base estadística
• Transformar hallazgos en acciones estratégicas agrupadas, priorizables y exportables
• Desarrollar una app interactiva, clara y profesional, pensada para tomadores de decisión

💡 Todo esto sobre un dataset real del sector retail y utilizando herramientas 100% open source.

---

🛠️ Instrucciones Técnicas

📁 Estructura del Proyecto

Final_Project_MBA/
│
├── app.py                    # Archivo principal para ejecutar la app Streamlit
├── requirements.txt          # Librerías necesarias
├── devcontainer.json         # Configuración para GitHub Codespaces / Docker
├── /data/processed/          # CSVs con reglas y bundles procesados
├── /sections/                # Código modular por sección (about, metodología, reglas, etc.)
├── /charts/                  # Gráficos reutilizables (heatmap, redes, etc.)
├── /utils/                   # Funciones auxiliares (loaders, visual helpers)
└── /docs/img/                # Carpeta para capturas

⚙️ Requisitos del sistema

• Python 3.11+
• Docker (opcional, recomendado)
• GitHub Codespaces (opcional)
• Navegador web moderno

📦 Instalación local

# 1. Clonar el repositorio
git clone https://github.com/mvlarra/Final_Project_MBA.git
cd Final_Project_MBA

# 2. Crear entorno virtual (opcional)
python -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

# 3. Instalar dependencias
pip install -r requirements.txt

# 4. Ejecutar la app
streamlit run app.py

🚀 Despliegue

La app está desplegada en Render y puede visualizarse sin instalar nada.

🧪 Datos utilizados

• Dataset original: Online Retail Dataset (UCI)
• Procesado a formato Factura x Producto
• Archivos clave:
  • summary_rules.csv
  • bundle_products.csv
  • tabular_bundle.csv

🧰 Librerías clave

• mlxtend: reglas de asociación (Apriori)
• pandas, numpy: manipulación de datos
• plotly, networkx, matplotlib: visualizaciones
• streamlit: app interactiva

📌 Notas para desarrollo

• app.py es el punto de entrada de la app (usado por Render)
• Podés modificar secciones editando /sections/*.py
• Los datos están en /data/processed/

---

👤 Autor y Créditos

Desarrollado por Valentina Larrañaga
Bootcamp de Data Science & Machine Learning — 4Geeks Academy