Analiza odejścia klientów telekomunikacyjnych

Analiza czynników, które mogą mieć wpływ na odejście klientów od operatora telekomunikacyjnego. Próba przewidywania, którzy klienci mogą zrezygnować z usług operatora.

Przegląd projektu

• wygenerowanie podstawowego raportu na temat danych wejściowych za pomocą pandas_profiling;
• brakujące dane w kolumnie ‘TotalCharges’ zostały uzupełnione medianą wartości w tej kolumnie;
• stworzono wizualizacje danych;
• dane podzielono na dane treningowe (70%) i dane testowe (30%);
• przetestowano następujące metody uczenia maszynowego: regresja logistyczna, maszyna wektorów nośnych, las losowy, k-najbliższych sąsiadów, drzewo decyzyjne;
• obliczono prawdopodobieństwo rezygnacji dla każdego klienta.

Dane pobrano ze strony kaggle.com

Opis poszczególnych kolumn:

• customerID - numer identyfikacyjny klienta,
• gender - płeć,
• SeniorCitizen - czy jest to osoba starsza,
• Partner - czy ma partnera,
• Dependents - czy ma jakieś zależności,
• tenure - ile miesięcy jest już u tego operatora,
• PhoneService - czy ma telefon?
• MultipleLines - czy ma wiele numerów telefonów,
• InternetService - czy ma internet,
• OnlineSecurity - czy ma usługę bezpieczeństwa online,
• OnlineBackup - czy ma usługę tworzenia kopii zapasowych danych online,
• DeviceProtection - czy ma usługę bezpieczeństwa telefonu,
• TechSupport - czy ma usługę pomocy technicznej,
• StreamingTV - czy ma opcję przesyłania strumieniowego TV,
• StreamingMovies - czy ma opcję przesyłania strumieniowego filmów,
• Contract - czy jest zawarta na czas określony (jeden lub 2 lata), czy na czas nieokreślony (z miesiąca na miesiąc),
• PaperlessBilling - e-faktura,
• PaymentMethod - metoda płatności,
• MonthlyCharges - opłaty miesięczne,
• TotalCharges - łączna kwota opłat,
• churn - czy klient odszedł, czy nie.

Wykorzystane algorytmy uczenia maszynowego i ich dokładność predykcji

Linki:

Repozytorium GitHub

W tym repozytorium znajduje się plik:

• Telco_Customer_Churn_Modelling.ipynb - Link do Google Colab