To research and develop a machine learning model to predict customer churn in order to retain them with special offers.

Personal data about customers, their tariffs and contracts from 4 sources:

• contract_new.csv - contract information valid as of February 1, 2020
• personal_new.csv - customer's personal
• internet_new.csv - information about internet services
• phone_new.csv - information about telephony services.

Exploratory Data Analysis · Python · Pandas · SciPy · Seaborn · Clustering KMeans · Shap
Scikit-learn · LogisticRegression · RandomForest · CatBoost

The result of the EDA was a portrait of the exiting customer:

• Service tenure 1 - 4.7 years
• Relatively high monthly fees monthly_charges
• Customer prefers to use advanced technologies and comfortable service:
• Fiber Optic internet connection internet_service
  • package of services at once, most critical 7-9 services at once number_services
  • cashless_billing
  • automatic debit from bank account or credit card paymen_method
  • contract with annual payment types type
• Personal characteristics: married, has dependents, retired, any gender.

CatBoostClassifier gradient binning with StandardScaler, OrdinalEncoder data preprocessing is selected as the best model for prediction. Test results:

• ROC-AUC = 0.93
• Error in prediction of positive class (client will exit) - 20% and negative (client will stay) - 9%.

Провести исследование и разработать модель машинного обучения для предсказания ухода пользователя с целью его удержания специальными предложениями.

Персональные данные о клиентах, их тарифах и договорах из 4-х источников:

• contract_new.csv — информация о договорах, актуальна на 1 февраля 2020
• personal_new.csv — персональные данные клиента
• internet_new.csv — информация об интернет-услугах
• phone_new.csv — информация об услугах телефонии.

Exploratory Data Analysis · Python · Pandas · SciPy · Seaborn · Clustering KMeans · Shap
Scikit-learn · LogisticRegression · RandomForest · CatBoost

Результатом EDA стал портрет ушедшего клиента:

• Срок обслуживания tenure 1 - 4.7 лет
• Относительно высокая ежемесячная плата monthly_charges
• Клиент предпочитает использовать передовые технологии и комфортное обслуживание:
  • интернет-подключение Fiber Optic internet_service
  • сразу пакет услуг, наиболее критично 7-9 услуг сразу number_services
  • безналичная оплата paperless_billing
  • автоматическое списание с банковского счёта или кредитной карты paymen_method
  • контракт с годовыми типами оплаты type
• Персональные характеристики: состоит в браке, имеет иждивенцев, пенсионер, любого пола.

В качестве лучшей модели для предсказания выбран градиентный бустинг CatBoostClassifier с предобработкой данных StandardScaler, OrdinalEncoder. Результаты тестирования:

• ROC-AUC = 0.93
• Ошибка в предсказании положительного класса (клиент уйдёт) - 20% и отрицательного (клиент останется) - 9%.