Skip to content

Insta Data Project — Instagram User Behavior Analysis

Architecture Générale

Ce projet analyse un large dataset synthétique (> 1 million d’utilisateurs) représentant le comportement Instagram, le style de vie et des attributs démographiques. L’objectif est d’explorer des patterns utilisateurs, construire des modèles prédictifs et identifier des personas comportementaux.

Objectifs

  • Exploratory Data Analysis (EDA)
  • Prédire :
  • Stress level
  • Age
  • Advertisement clicks
  • Income level
  • Relationship status
  • Analyser les différences comportementales
  • Identifier des personas (clustering)
  • Relier résultats statistiques et publicité réelle

Workflow Data Science

  1. Data visualization
  2. Correlation analysis
  3. Model selection
  4. Training & evaluation
  5. Interpretation

Workflow

Modèles utilisés

  • Linear Regression
  • Random Forest Regressor
  • Random Forest Classifier
  • KMeans Clustering

Models

Structure du projet

notebooks/
├── 01_EDA.ipynb
├── 02_Predictions.ipynb
├── 03_Profiling_Personas.ipynb
├── 04_Extra_Ads_Real_Life.ipynb

data/
figures/
requirements.txt

Méthodologie

Le projet suit un workflow cohérent :

  • Visualisation des données
  • Analyse des corrélations
  • Choix des modèles
  • Entraînement
  • Évaluation
  • Interprétation

Résultats principaux

  • Usage Instagram élevé → stress plus élevé
  • Le comportement permet d’estimer partiellement l’âge
  • Interaction publicitaire dépend de l’engagement
  • Income et relation status plus difficiles à prédire
  • Des personas distincts sont identifiables

Lien avec la vie réelle

Des exemples personnels montrent :

  • Répétition → probabilité d’achat ↑
  • Engagement → clics ↑
  • Impact visuel → décision ↑

Ces observations sont cohérentes avec les patterns du dataset.

Technologies

  • Python
  • Pandas / NumPy
  • Matplotlib
  • Scikit-learn
  • Jupyter Notebook

Ce que j’ai appris

  • Workflow Data Science complet
  • Modélisation prédictive multi‑tâches
  • Clustering comportemental
  • Interprétation de résultats ML
  • Lien data comportement humain

Liens

Auteur

Ahmad Abo-Alola — Student Project (AI Developer Training)