Analyse en classificatie van churn in telecommunicatiediensten (11-12)

Analyse en classificatie van churn in telecommunicatiediensten

Context

Klantchurn vertegenwoordigt het vrijwillige opgeven van diensten door klanten bij een telecommunicatieoperator. Het begrijpen van factoren die churn beïnvloeden is essentieel voor het ontwikkelen van retentiestrategieën en voor het optimaliseren van aanbiedingen en diensten.

Kunstmatige Intelligentie maakt complexe analyse van klantgegevens mogelijk voor:

• identificatie van klanten met hoog risico om op te zeggen
• segmentatie van klanten op basis van gedrag en consumptie
• inschatting van de impact van verschillende aanbiedingen en kenmerken op de churn-beslissing

Voor het oplossen van dit probleem heeft u twee bestanden tot uw beschikking:

• train.csv – bevat alle variabelen, inclusief Churn, voor het trainen van modellen
• test.csv – bevat dezelfde variabelen, zonder de kolom Churn, en de gegevens uit dit bestand worden gebruikt voor het genereren van voorspellingen

Beschrijving van de dataset

Vereisten

Voor dit probleem moet u 3 taken oplossen.

Taak 1 – Vereenvoudigde financiële risicoscore (20 punten)

Bereken voor elke klant uit de testset een vereenvoudigde financiële risicoscore gebaseerd op de waarden Monthly Charge en Total Extra Data Charges.

• Formule:

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

Elke component voegt 1 punt toe aan de score indien:

• Monthly Charge > 70: verhoogd churn-risico vanwege maandelijkse kosten
• Total Extra Data Charges > 10: extra risico door extra kosten

De uiteindelijke score ligt tussen 0 en 2.

Taak 2 – Connectiviteit en diensten score (20 punten)

Bereken voor elke klant uit de testset een score die de kwaliteit van diensten weergeeft op basis van de kolommen Avg Speed, Ping Score en Link Quality Index.

• Formule:

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

Elke component draagt 1 punt bij aan de score.
De uiteindelijke score ligt tussen 0 (goede ervaring) en 3 (slechte ervaring).

Meer specifiek, als de eerste voorwaarde (Avg Speed < 50) wordt vervuld, wordt 1 punt toegevoegd. Hetzelfde geldt voor de rest.

Taak 3 – Churn classificatie (60 punten)

Bouw een classificatiemodel dat Churn voorspelt (0 = actieve klant, 1 = klant die heeft opgezegd) op basis van alle beschikbare informatie in train.csv.

• U kunt alle beschikbare kolommen gebruiken of u kunt de meest relevante subset voor het model selecteren.
• Voorspellingen voor elke klant uit test.csv moeten 0 of 1 zijn.
• Answer in het submitbestand zal 0 of 1 zijn voor elke klant.

Formaat van het submitbestand

Het bestand submission.csv moet bevatten:

• id - ID overgenomen uit test.csv (kolom SampleID)
• subtaskID
  • 1 voor Taak 1
  • 2 voor Taak 2
  • 3 voor Taak 3
• answer - de berekende of voorspelde waarde voor de klant bij de aangegeven taak

Evaluatie

• Taak 1 en Taak 2: exacte evaluatie (vergelijking met juiste antwoorden)
• Taak 3: voor de evaluatie van deze taak wordt de AUC-metriek gebruikt

Voor Taak 3 wordt de score toegekend volgens de volgende regels:

• AUC ≥ 0.90 → 60 punten
• AUC ≤ 0.70 → 0 punten
• Het interval ertussen: proportionele score