Analyse exploratoire

Import des outils / jeu de données

import matplotlib.pyplot as plt
import pandas as pd
import seaborn as sns

from src.utils import init_notebook

init_notebook()

df = pd.read_csv(
    "data/kickstarter_1.csv",
    parse_dates=True,
)

Présentation

Plan de la présentation

1) Introduction

• présentation du jeu de données

• modélisation sous forme d’analyse de survie

• définition de la problématique

2) Estimation univariée

• Non-paramétrique

• Paramétrique

3) Régression multivariée

• Non-paramétrique

• Paramétrique

• Machine Learning

4) Conclusion

• réponse à la problématique

Jeu de données

Le jeu de données contient une liste de 18 143 projets Kickstarter menés entre le 15 décembre 2013 et le 15 juin 2014.

Pour chaque projet, nous disposons notamment de :

• quand son objectif a été atteint: day_succ

• si l’objectif a été atteint: Status

• si le projet dispose d’une vidéo promotionnelle : has_video

• l’objectif financier: goal

• si le projet a un compte facebook: facebook_connected

• le nombre de followers du projet: facebook_friends

• le nombre de financeurs: backers

• la catégorie du projet (art, cuisine, technologie, …): cat

• etc.

Il est important de préciser que le jeu de données a été mis à l’échelle pour les variables quantitatives (scaling), d’où des valeurs décimales pour des variables entières.

Modélisation

• \(T\) : variable aléatoire modélisant la date de financement (succès du projet).

• fonction de survie \(P(T > t)\) : probabilité que le projet n’ait pas encore été financé au temps \(t\)

• censure (à droite) : les projets n’ont pas été financé dans le temps imparti (mais auraient pu être financés s’ils avaient eu plus de temps)

Présentation des variables

print(
    f"Il y a {df.shape[1]} variables "
    f"qui décrivent {df.shape[0]} projets kickstarter."
)

Il y a 56 variables qui décrivent 4175 projets kickstarter.

# df.info()

Nous séparons les variables numériques des variables catégoriques pour plus de commodités.

var_categoriques = (
    [f"cat{i}" for i in range(1, 16)]
    + [f"curr{i}" for i in range(1, 7)]
    + ["Status", "facebook_connected", "has_video"]
)

var_numeriques = df.columns

Nous convertissons les variables catégoriques en type category. (Nous les convertissons au préalable en type string car cela facilite l’affichage de la légende avec Matplotlib et Seaborn)

df[var_categoriques] = df[var_categoriques].astype(str).astype("category")

Nous convertissons les variables au format date.

Nous avons 11 variables catégoriques, 16 variables quantitatives (dont 15 entières) ainsi qu’une variable de type date.

Visualisations

sns.histplot(df["day_succ"])

<Axes: xlabel='day_succ', ylabel='Count'>

plt.title("Répartition des projets")

sns.histplot(df["Status"])

plt.xticks([0, 1], ["Censuré", "Financé dans le temps imparti"])
plt.xlabel("Statut des projets", labelpad=15)  # labelpad add vertical space

Text(0.5, 0, 'Statut des projets')

Problématique

Voici les deux questions qui guident notre projet :

1) Peut-on prédire si un projet sera financé ? À quelle date ?

2) Quel est l’impact d’une vidéo promotionnelle sur le succès d’un projet ?

plt.title(
    "Répartition des vidéos promotionnelles :\nle projet dispose-t-il d'une vidéo ?"
)

sns.histplot(df["has_video"], stat="proportion")

plt.xticks([0, 1], ["pas de vidéo", "vidéo"])
plt.show()

# old problematic # Dans une première **analyse univariée**, nous chercherons à **modéliser la fonction de survie du financement d'un projet Kickstarter**, c'est-à-dire la probabilité que le projet n'ait pas encore été financé, en fonction de sa durée de vie, en jours. # # Dans une deuxième **analyse multivariée**, nous déterminerons **comment les différents paramètres des projets Kickstarter influencent-ils la durée nécessaire pour atteindre leur objectif** de financement ou leur échec dans le temps imparti ?