Churn Prediction

Data Driven Growth with Python

ta seria artykułów została zaprojektowana, aby wyjaśnić, jak używać Pythona w uproszczony sposób, aby napędzać rozwój Twojej firmy poprzez zastosowanie podejścia predykcyjnego do wszystkich twoich działań. Będzie to połączenie programowania, analizy danych i uczenia maszynowego.

omówię wszystkie tematy w następujących dziewięciu artykułach:

1 – Poznaj swoje metryki

2 – segmentacja klientów

3 – Przewidywanie wartości klienta w okresie życia

4 – Przewidywanie rezygnacji

5 – przewidywanie następnego dnia zakupu

6 – Przewidywanie Sprzedaży

7 – modele reakcji rynku

8 – Modelowanie podnoszenia

9 – Projektowanie i wykonanie testów A/B

artykuły będą miały własne fragmenty kodu, które ułatwią ich stosowanie. Jeśli jesteś nowy w programowaniu, możesz mieć dobre wprowadzenie do Pythona i pandy (słynnej biblioteki, której będziemy używać na wszystkim) tutaj. Ale wciąż bez wprowadzenia do kodowania możesz nauczyć się pojęć, jak korzystać z danych i zacząć generować z nich wartość:

czasami musisz uruchomić, zanim będziesz mógł chodzić — Tony Stark

jako warunek wstępny upewnij się, że na twoim komputerze zainstalowano Notebook Jupyter i Python. Fragmenty kodu będą uruchamiane tylko na notebooku Jupyter.

dobra, zaczynajmy.

w ostatnich trzech sekcjach serii Data Driven Growth odkryliśmy, że śledzimy istotne metryki, segmentację klientów i programowo przewidujemy wartość całego życia. Ponieważ znamy naszych najlepszych klientów poprzez segmentację i przewidywanie wartości na całe życie, powinniśmy również ciężko pracować nad ich utrzymaniem. To właśnie sprawia, że wskaźnik retencji jest jednym z najważniejszych wskaźników.

wskaźnik retencji jest wskaźnikiem tego, jak dobry jest twój produkt Market fit (PMF). Jeśli twój PMF nie jest zadowalający, powinieneś zobaczyć swoich klientów ubijających się bardzo szybko. Jednym z potężnych narzędzi do poprawy stopy retencji (stąd PMF) jest przewidywanie Churn. Korzystając z tej techniki, możesz łatwo dowiedzieć się, kto może odejść w danym okresie. W tym artykule wykorzystamy zbiór danych Telco i omówimy następujące kroki w celu opracowania modelu przewidywania rezygnacji:

• eksploracyjna analiza danych
• Inżynieria funkcji
• badanie wpływu funkcji na retencję za pomocą regresji logistycznej
• budowanie modelu klasyfikacji za pomocą XGBoost

eksploracyjna Analiza danych

zaczynamy od sprawdzenia, jak wyglądają nasze dane i wizualizacji interakcji z naszą etykietą (czy nie?). Zacznijmy od zaimportowania naszych danych i wydrukowania pierwszych dziesięciu wierszy:

df_data = pd.read_csv('churn_data.csv')
df_data.head(10)

:

lepszym sposobem, aby zobaczyć wszystkie kolumny i ich typ danych jest użycie metody. info() :

wygląda na to, że nasze dane należą do dwóch kategorii:

• cechy kategoryczne: płeć, streaming tv, metoda płatności & itp.
• cechy liczbowe: etat, Opłaty miesięczne, opłaty całkowite

teraz zaczynając od tych kategorycznych, rzucimy światło na wszystkie funkcje i zobaczymy, jak pomocne są w identyfikacji, czy klient zamierza odejść.

na marginesie, w zbiorze danych mamy kolumnę Churn z wartościami tak / nie. Konwertujemy go na liczbę całkowitą, aby ułatwić korzystanie z naszej analizy.

df_data.loc = 0 
df_data.loc = 1

płeć

korzystając z poniższego bloku kodu, z łatwością wizualizujemy, jak wygląda Współczynnik Churn (1-Retention Rate) dla każdej wartości:

df_plot = df_data.groupby('gender').Churn.mean().reset_index()
plot_data = ,
y=df_plot,
width = ,
marker=dict(
color=)
)
]plot_layout = go.Layout(
xaxis={"type": "category"},
yaxis={"title": "Churn Rate"},
title='Gender',
plot_bgcolor = 'rgb(243,243,243)',
paper_bgcolor = 'rgb(243,243,243)',
)
fig = go.Figure(data=plot_data, layout=plot_layout)
pyoff.iplot(fig)

wyjście:

podział według płci dla wskaźnika churn:

klienci płci żeńskiej są bardziej skłonni do odejścia niż klienci płci męskiej, ale różnica jest minimalna (~0,8%).

powtórzmy to dla wszystkich kolumn kategorycznych. Aby nie powtarzać tego, co zrobiliśmy dla płci, poniżej znajdziesz kod potrzebny do wszystkich:

teraz przejdźmy do funkcji, które pokazują najbardziej znaczącą różnicę w ich wartościach:

serwis internetowy

ten wykres pokazuje, że klienci, którzy mają Światłowody jako Usługi internetowe, są bardziej skłonni do rezygnacji. Zwykle oczekuję, że klienci Światłowodowi będą mniej rezygnować, ponieważ korzystają z bardziej premium usługi. Ale może się to zdarzyć z powodu wysokich cen, konkurencji, obsługi klienta i wielu innych powodów.

kontrakt

zgodnie z oczekiwaniami, krótszy kontrakt oznacza wyższy wskaźnik churn.

wsparcie techniczne

klienci nie korzystają z pomocy technicznej są bardziej skłonni do churn (~25% różnicy).

metoda płatności

Automatyzacja płatności sprawia, że klient jest bardziej skłonny do zatrzymania się na twojej platformie (~30% różnicy).

Pozostałe