Analisi e classificazione del churn nei servizi di telecomunicazioni (11-12)

Analisi e classificazione del churn nei servizi di telecomunicazioni

Contesto

Il churn dei clienti rappresenta la rinuncia volontaria di questi ultimi ai servizi di un operatore di telecomunicazioni. La comprensione dei fattori che influenzano il churn è essenziale per sviluppare strategie di retention e per ottimizzare le offerte e i servizi.

L'Intelligenza Artificiale permette l'analisi complessa dei dati sui clienti per:

• identificare i clienti con alto rischio di abbandono
• segmentare i clienti in base al comportamento e al consumo
• stimare l'impatto di diverse offerte e caratteristiche sulla decisione di churn

Per risolvere questo problema avrete a disposizione due file:

• train.csv – contiene tutte le variabili, incluso Churn, per l'addestramento dei modelli
• test.csv – contiene le stesse variabili, senza la colonna Churn, e i dati di questo file sono utilizzati per generare le predizioni

Descrizione del dataset

Requisiti

Per questo problema dovete risolvere 3 task.

Task 1 – Punteggio semplificato di rischio finanziario (20 punti)

Calcolate per ogni cliente del set di test un punteggio semplificato di rischio finanziario basato sui valori Monthly Charge e Total Extra Data Charges.

• Formula:

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

Ogni componente aggiunge 1 punto al punteggio se:

• Monthly Charge > 70: rischio aumentato di churn a causa del costo mensile
• Total Extra Data Charges > 10: rischio aggiuntivo dovuto ai costi extra

Il punteggio finale è compreso tra 0 e 2.

Task 2 – Punteggio di connettività e servizi (20 punti)

Calcolate per ogni cliente del set di test un punteggio che riflette la qualità dei servizi basato sulle colonne Avg Speed, Ping Score e Link Quality Index.

• Formula:

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

Ogni componente contribuisce con 1 punto al punteggio.
Il punteggio finale è compreso tra 0 (esperienza buona) e 3 (esperienza scarsa).

Più precisamente, se è soddisfatta la prima condizione (Avg Speed < 50) viene aggiunto 1 punto. Lo stesso vale per le altre.

Task 3 – Classificazione del churn (60 punti)

Costruite un modello di classificazione che predica Churn (0 = cliente attivo, 1 = cliente che ha abbandonato) basato su tutte le informazioni disponibili in train.csv.

• Potete utilizzare tutte le colonne disponibili o potete selezionare il sottoinsieme più rilevante per il modello.
• Le predizioni per ogni cliente in test.csv devono essere 0 o 1.
• Answer nel file di submit sarà 0 o 1 per ogni cliente.

Formato del file di submission

Il file submission.csv deve contenere:

• id - ID prelevato da test.csv (colonna SampleID)
• subtaskID
  • 1 per Task 1
  • 2 per Task 2
  • 3 per Task 3
• answer - valore calcolato o predetto per il cliente al task indicato

Valutazione

• Task 1 e Task 2: valutazione esatta (confronto con le risposte corrette)
• Task 3: per la valutazione di questo task viene utilizzata la metrica AUC

Per il Task 3, il punteggio è assegnato secondo le seguenti regole:

• AUC ≥ 0.90 → 60 punti
• AUC ≤ 0.70 → 0 punti
• Intervallo tra questi: punteggio proporzionale