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, 2020personal_new.csv
- customer's personalinternet_new.csv
- information about internet servicesphone_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 2020personal_new.csv
— персональные данные клиентаinternet_new.csv
— информация об интернет-услугахphone_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
- интернет-подключение Fiber Optic
- 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%.