Churn analīze un klasifikācija telekomunikāciju pakalpojumos (11-12)

Analīze un churn klasifikācija telekomunikāciju pakalpojumos

Konteksts

Klientu churn nozīmē viņu brīvprātīgu atteikšanos no telekomunikāciju operatora pakalpojumiem. Faktoru izpratne, kas ietekmē churn, ir būtiska, lai izstrādātu saglabāšanas stratēģijas un optimizētu piedāvājumus un pakalpojumus.

Mākslīgais intelekts ļauj veikt sarežģītu klientu datu analīzi, lai:

• identificētu klientus ar augstu risku atteikties
• segmentētu klientus pēc uzvedības un patēriņa
• novērtētu dažādu piedāvājumu un raksturlielumu ietekmi uz churn lēmumu

Šīs problēmas risināšanai jums būs pieejami divi faili:

• train.csv – satur visus mainīgos, ieskaitot Churn, modeļu apmācībai
• test.csv – satur tos pašus mainīgos bez Churn kolonnas, un šī faila dati tiek izmantoti prognožu ģenerēšanai

Datu kopas apraksts

Prasības

Šai problēmai jums ir jāatrisina 3 uzdevumi.

1. uzdevums – Vienkāršots finanšu riska rādītājs (20 punkti)

Aprēķiniet katram klientam no testa kopas vienkāršotu finanšu riska rādītāju, balstoties uz Monthly Charge un Total Extra Data Charges vērtībām.

• Formula:

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

Katra komponente pievieno 1 punktu rādītājam, ja:

• Monthly Charge > 70: palielināts churn risks mēneša izmaksu dēļ
• Total Extra Data Charges > 10: papildu risks papildu izmaksu dēļ

Galīgais rādītājs ir no 0 līdz 2.

2. uzdevums – Savienojamības un pakalpojumu rādītājs (20 punkti)

Aprēķiniet katram klientam no testa kopas rādītāju, kas atspoguļo pakalpojumu kvalitāti, balstoties uz kolonnām Avg Speed, Ping Score un Link Quality Index.

• Formula:

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

Katra komponente pievieno 1 punktu rādītājam.
Galīgais rādītājs ir no 0 (laba pieredze) līdz 3 (slikta pieredze).

Precīzāk, ja ir izpildīts pirmais nosacījums (Avg Speed < 50), tiek pievienots 1 punkts. Tāpat arī pārējiem.

3. uzdevums – Churn klasifikācija (60 punkti)

Izveidojiet klasifikācijas modeli, kas prognozē Churn (0 = aktīvs klients, 1 = klients, kurš atteicies), balstoties uz visu pieejamo informāciju train.csv.

• Varat izmantot visas pieejamās kolonnas vai varat izvēlēties visatbilstošāko apakškopu modelim.
• Prognozēm katram klientam no test.csv jābūt 0 vai 1.
• Answer iesniegšanas failā būs 0 vai 1 katram klientam.

Iesniegšanas faila formāts

Failam submission.csv jāsatur:

• id - ID, kas ņemts no test.csv (kolonna SampleID)
• subtaskID
  • 1 1. uzdevumam
  • 2 2. uzdevumam
  • 3 3. uzdevumam
• answer - aprēķinātā vai prognozētā vērtība klientam norādītajam uzdevumam

Novērtēšana

• 1. uzdevums un 2. uzdevums: precīza novērtēšana (salīdzinājums ar pareizajām atbildēm)
• 3. uzdevums: šī uzdevuma novērtēšanai tiek izmantota AUC metrika

3. uzdevumam punkti tiek piešķirti saskaņā ar šādiem noteikumiem:

• AUC ≥ 0.90 → 60 punkti
• AUC ≤ 0.70 → 0 punkti
• Intervāls starp tiem: proporcionāls punktu skaits