Analyse og klassificering af churn i telekommunikationstjenester (11-12)

Analyse og klassificering af churn i telekommunikationstjenester

Kontekst

Kundechurn repræsenterer kunders frivillige opsigelse af en telekommunikationsoperatørs tjenester. At forstå de faktorer, der påvirker churn, er essentielt for at udvikle fastholdelsesstrategier og for at optimere tilbud og tjenester.

Kunstig intelligens muliggør kompleks analyse af kundedata til:

• identifikation af kunder med høj risiko for at opsige
• segmentering af kunder baseret på adfærd og forbrug
• estimering af forskellige tilbuds og karakteristikas indvirkning på churn-beslutningen

Til løsning af dette problem vil I have to filer til rådighed:

• train.csv – indeholder alle variabler, inklusive Churn, til træning af modeller
• test.csv – indeholder de samme variabler, uden kolonnen Churn, og dataene fra denne fil bruges til generering af forudsigelser

Beskrivelse af datasættet

Krav

For dette problem skal I løse 3 opgaver.

Task 1 – Forenklet finansiel risikoscore (20 point)

Beregn for hver kunde i testsættet en forenklet finansiel risikoscore baseret på værdierne Monthly Charge og Total Extra Data Charges.

• Formel:

1FinancialRiskScore = (Monthly Charge > 70) + (Total Extra Data Charges > 10)

Hver komponent tilføjer 1 point til scoren hvis:

• Monthly Charge > 70: øget churn-risiko på grund af månedlige omkostninger
• Total Extra Data Charges > 10: yderligere risiko på grund af ekstraomkostninger

Den endelige score er mellem 0 og 2.

Task 2 – Konnektivitets- og servicescore (20 point)

Beregn for hver kunde i testsættet en score, der afspejler servicekvaliteten baseret på kolonnerne Avg Speed, Ping Score og Link Quality Index.

• Formel:

1ServiceQualityScore = (Avg Speed < 50) + (Ping Score > 80) + (Link Quality Index < 30)

Hver komponent bidrager med 1 point til scoren.
Den endelige score er mellem 0 (god oplevelse) og 3 (dårlig oplevelse).

Mere præcist, hvis den første betingelse (Avg Speed < 50) er opfyldt, tilføjes 1 point. Det samme gælder for resten.

Task 3 – Churn-klassificering (60 point)

Byg en klassificeringsmodel, der forudsiger Churn (0 = aktiv kunde, 1 = kunde der har opsagt) baseret på alle tilgængelige informationer i train.csv.

• I kan bruge alle tilgængelige kolonner eller vælge det mest relevante undersæt til modellen.
• Forudsigelserne for hver kunde i test.csv skal være 0 eller 1.
• Answer i submit-filen vil være 0 eller 1 for hver kunde.

Format for submit-fil

Filen submission.csv skal indeholde:

• id - ID hentet fra test.csv (kolonnen SampleID)
• subtaskID
  • 1 for Task 1
  • 2 for Task 2
  • 3 for Task 3`
• answer - den beregnede eller forudsagte værdi for kunden til den angivne opgave

Evaluering

• Task 1 og Task 2: nøjagtig evaluering (sammenligning med korrekte svar)
• Task 3: til evaluering af denne opgave bruges AUC-metrikken

For Task 3 tildeles point efter følgende regler:

• AUC ≥ 0.90 → 60 point
• AUC ≤ 0.70 → 0 point
• Intervallet mellem dem: proportional pointgivning