Analiza i klasyfikacja churn-u w usługach telekomunikacyjnych (9-10)

Analiza i klasyfikacja churn w usługach telekomunikacyjnych

Kontekst

Churn klientów oznacza dobrowolną rezygnację z usług operatora telekomunikacyjnego. Zrozumienie czynników wpływających na churn jest niezbędne do opracowania strategii retencji oraz optymalizacji ofert i usług.

Sztuczna Inteligencja umożliwia złożoną analizę danych o klientach w celu:

• identyfikacji klientów o wysokim ryzyku rezygnacji
• segmentacji klientów według zachowania i konsumpcji
• oszacowania wpływu różnych ofert i charakterystyk na decyzję o churn

Do rozwiązania tego problemu będziecie mieli do dyspozycji dwa pliki:

• train.csv – zawiera wszystkie zmienne, włącznie z Churn, do trenowania modeli
• test.csv – zawiera te same zmienne, bez kolumny Churn, a dane z tego pliku są używane do generowania predykcji

Opis zbioru danych

Wymagania

Dla tego problemu macie do rozwiązania 3 zadania.

Zadanie 1 – Uproszczony wynik ryzyka finansowego (20 punktów)

Obliczcie dla każdego klienta ze zbioru testowego uproszczony wynik ryzyka finansowego oparty na wartościach Monthly Charge i Total Extra Data Charges.

• Formuła:

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

Każdy komponent dodaje 1 punkt do wyniku jeśli:

• Monthly Charge > 70: zwiększone ryzyko churn z powodu miesięcznego kosztu
• Total Extra Data Charges > 10: dodatkowe ryzyko z powodu kosztów dodatkowych

Końcowy wynik mieści się między 0 a 2.

Zadanie 2 – Wynik łączności i usług (20 punktów)

Obliczcie dla każdego klienta ze zbioru testowego wynik odzwierciedlający jakość usług na podstawie kolumn Avg Speed, Ping Score i Link Quality Index.

• Formuła:

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

Każdy komponent przyczynia się 1 punktem do wyniku.
Końcowy wynik mieści się między 0 (dobre doświadczenie) a 3 (słabe doświadczenie).

Dokładniej, jeśli spełniony jest pierwszy warunek (Avg Speed < 50) dodawany jest 1 punkt. Tak samo dla pozostałych.

Zadanie 3 – Klasyfikacja churn (60 punktów)

Zbudujcie model klasyfikacji, który przewiduje Churn (0 = aktywny klient, 1 = klient, który zrezygnował) na podstawie wszystkich dostępnych informacji w train.csv.

• Możecie użyć wszystkich dostępnych kolumn lub wybrać najbardziej istotny podzbiór dla modelu.
• Predykcje dla każdego klienta z test.csv muszą być 0 lub 1.
• Answer w pliku do przesłania będzie 0 lub 1 dla każdego klienta.

Format pliku do przesłania

Plik submission.csv musi zawierać:

• id - ID pobrane z test.csv (kolumna SampleID)
• subtaskID
  • 1 dla Zadania 1
  • 2 dla Zadania 2
  • 3 dla Zadania 3
• answer - wartość obliczona lub przewidziana dla klienta w wskazanym zadaniu

Ocena

• Zadanie 1 i Zadanie 2: ocena dokładna (porównanie z prawidłowymi odpowiedziami)
• Zadanie 3: do oceny tego zadania używana jest metryka AUC

Dla Zadania 3, punkty są przyznawane według następujących zasad:

• AUC ≥ 0.85 → 60 punktów
• AUC ≤ 0.70 → 0 punktów
• Przedział między nimi: punkty proporcjonalne