Analyse og klassifisering av kundefrafall i telekommunikasjonstjenester (11-12)

Analyse og klassifisering av churn i telekommunikasjonstjenester

Kontekst

Kundechurn representerer kunders frivillige oppsigelse av tjenester hos en telekommunikasjonsoperatør. Å forstå faktorene som påvirker churn er essensielt for å utvikle retensjonstrategier og for å optimalisere tilbud og tjenester.

Kunstig intelligens muliggjør kompleks analyse av kundedata for:

• identifisering av kunder med høy risiko for å si opp
• segmentering av kunder basert på atferd og forbruk
• estimering av påvirkningen av ulike tilbud og karakteristikker på churn-beslutningen

For å løse dette problemet vil du ha tilgang til to filer:

• train.csv – inneholder alle variabler, inkludert Churn, for trening av modeller
• test.csv – inneholder de samme variablene, uten Churn-kolonnen, og dataene fra denne filen brukes til å generere prediksjoner

Beskrivelse av datasettet

Krav

For dette problemet skal du løse 3 oppgaver.

Oppgave 1 – Forenklet finansiell risikoscore (20 poeng)

Beregn for hver kunde i testsettet en forenklet finansiell risikoscore basert på verdiene Monthly Charge og Total Extra Data Charges.

• Formel:

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

Hver komponent legger til 1 poeng til scoren hvis:

• Monthly Charge > 70: økt risiko for churn på grunn av månedlig kostnad
• Total Extra Data Charges > 10: tilleggsrisiko på grunn av ekstrakostnader

Den endelige scoren er mellom 0 og 2.

Oppgave 2 – Score for tilkobling og tjenester (20 poeng)

Beregn for hver kunde i testsettet en score som reflekterer tjenestekvaliteten basert på kolonnene Avg Speed, Ping Score og Link Quality Index.

• Formel:

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

Hver komponent bidrar med 1 poeng til scoren.
Den endelige scoren er mellom 0 (god opplevelse) og 3 (dårlig opplevelse).

Mer presist, hvis den første betingelsen (Avg Speed < 50) er oppfylt, legges 1 poeng til. Det samme gjelder for resten.

Oppgave 3 – Klassifisering av churn (60 poeng)

Bygg en klassifiseringsmodell som predikerer Churn (0 = aktiv kunde, 1 = kunde som har sagt opp) basert på all tilgjengelig informasjon i train.csv.

• Du kan bruke alle tilgjengelige kolonner eller du kan velge det mest relevante undersettet for modellen.
• Prediksjoner for hver kunde i test.csv må være 0 eller 1.
• Answer i innleveringsfilen vil være 0 eller 1 for hver kunde.

Format for innleveringsfilen

Filen submission.csv må inneholde:

• id - ID hentet fra test.csv (kolonnen SampleID)
• subtaskID
  • 1 for Oppgave 1
  • 2 for Oppgave 2
  • 3 for Oppgave 3
• answer - den beregnede eller predikerte verdien for kunden for den angitte oppgaven

Evaluering

• Oppgave 1 og Oppgave 2: nøyaktig evaluering (sammenligning med korrekte svar)
• Oppgave 3: for evaluering av denne oppgaven brukes AUC-metrikken

For Oppgave 3 tildeles poeng i henhold til følgende regler:

• AUC ≥ 0.90 → 60 poeng
• AUC ≤ 0.70 → 0 poeng
• Intervallet mellom dem: proporsjonalt poeng