# Estrutura da ABT

A Tabela Base Analítica (ABT) é um conjunto de dados estruturado utilizado para resolver problemas específicos como churn, fraude e atraso na entrega. 

<figure><img src="/files/OgMeNx4wpSMmZq5wjdz9" alt=""><figcaption><p>ABT</p></figcaption></figure>

Cada linha da ABT representa uma entidade do problema, como clientes ou pedidos, e as colunas correspondem às características (features) que descrevem essas entidades, como frequência de compras, valor de pedidos, tempo de transação, entre outros.&#x20;

No contexto apresentado, a base histórica de dados utilizada para construir as features vai de 01/2017 a 06/2018, sendo que a safra de referência para essas features é de 01/2017 a 12/2017. O target, ou seja, o resultado que se deseja prever, é definido olhando 6 meses à frente, até 06/2018.&#x20;

Por exemplo, para prever o churn, a frequência e o valor das compras de um cliente são analisados para determinar se ele não revenderá nos próximos seis meses.&#x20;

Essa análise permite que algoritmos de aprendizado de máquina identifiquem padrões e façam previsões precisas sobre o comportamento futuro das entidades, auxiliando na tomada de decisões estratégicas.

## Construção da ABT

* Base histórica para features: De 05/01/2017 a 30/06/2018.
* Safra de referência para features: De 05/01/2017 a 31/12/2017.
* Target definido para o período subsequente, até 30/06/2018.

```python
features = hist_abt.query('DATE' < '2018-01-01')
                   .groupby('SELLER_ID')
                   .agg({
                       'DT_ULT_VD': ('DATE', 'MAX'),
                       'UF': ('SELLER_STATE', 'FIRST'),
                       'ORDERS_12M': ('ORDER_ID', 'NUNIQUE')
                   })
                   .assign(DT_SAFRA_REF=pd.to_datetime('2018-01-01'))
                   .assign(RECENCIA=lambda df: df.memory['DT_ULT_VD'])
                   .reset_index()

target = hist_abt.query('DATE' >= '01-01-2018' & 'DATE' < '2018-07-01')
                 .filter(['SELLER_ID'])
                 .drop_duplicates()
```

* Realizar o join para integrar o target e features, organizando as colunas.

```python
df_abt = df.merge(target, on='SELLER_ID', how='left', indicator=True)
           .assign(NAO_VENDEU_6M=lambda df_memo: np.where(df_memo['merge'] == 'left_only', 1, 0))
```


---

# Agent Instructions: Querying This Documentation

If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.

Perform an HTTP GET request on the current page URL with the `ask` query parameter:

```
GET https://adspacheco.gitbook.io/space-center/machine-learning/estrutura-da-abt.md?ask=<question>
```

The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.

Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.