Analiza i klasifikacija churn-a u telekomunikacionim uslugama (9-10)

Analiza i klasifikacija churn-a u telekomunikacionim uslugama

Kontekst

Churn klijenata predstavlja dobrovoljno odustajanje istih od usluga telekomunikacionog operatera. Razumevanje faktora koji utiču na churn je ključno za razvoj strategija zadržavanja i za optimizaciju ponuda i usluga.

Veštačka inteligencija omogućava kompleksnu analizu podataka o klijentima za:

• identifikaciju klijenata sa visokim rizikom od odustajanja
• segmentaciju klijenata prema ponašanju i potrošnji
• procenu uticaja različitih ponuda i karakteristika na odluku o churn-u

Za rešavanje ovog problema imaćete na raspolaganju dva fajla:

• train.csv – sadrži sve promenljive, uključujući Churn, za treniranje modela
• test.csv – sadrži iste promenljive, bez kolone Churn, i podaci iz ovog fajla se koriste za generisanje predikcija

Opis skupa podataka

Zahtevi

Za ovaj problem imate da rešite 3 zadatka.

Zadatak 1 – Pojednostavljeni skor finansijskog rizika (20 poena)

Izračunajte za svakog klijenta iz test skupa pojednostavljeni skor finansijskog rizika baziran na vrednostima Monthly Charge i Total Extra Data Charges.

• Formula:

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

Svaka komponenta dodaje 1 poen u skor ako:

• Monthly Charge > 70: povećan rizik od churn-a zbog mesečnog troška
• Total Extra Data Charges > 10: dodatni rizik zbog ekstra troškova

Finalni skor je između 0 i 2.

Zadatak 2 – Skor konektivnosti i usluga (20 poena)

Izračunajte za svakog klijenta iz test skupa skor koji odražava kvalitet usluga na osnovu kolona Avg Speed, Ping Score i Link Quality Index.

• Formula:

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

Svaka komponenta doprinosi sa 1 poenom u skor.
Finalni skor je između 0 (dobro iskustvo) i 3 (loše iskustvo).

Tačnije, ako je ispunjen prvi uslov (Avg Speed < 50) dodaje se 1 poen. Isto važi i za ostale.

Zadatak 3 – Klasifikacija churn-a (60 poena)

Konstruišite model klasifikacije koji predviđa Churn (0 = aktivan klijent, 1 = klijent koji je odustao) na osnovu svih dostupnih informacija u train.csv.

• Možete koristiti sve dostupne kolone ili možete selektovati najrelevantniji podskup za model.
• Predikcije za svakog klijenta iz test.csv moraju biti 0 ili 1.
• Answer u fajlu za submit će biti 0 ili 1 za svakog klijenta.

Format fajla za submisiju

Fajl submission.csv mora da sadrži:

• id - ID preuzet iz test.csv (kolona SampleID)
• subtaskID
  • 1 za Zadatak 1
  • 2 za Zadatak 2
  • 3 za Zadatak 3`
• answer - izračunata ili predviđena vrednost za klijenta u označenom zadatku

Evaluacija

• Zadatak 1 i Zadatak 2: tačna evaluacija (poređenje sa tačnim odgovorima)
• Zadatak 3: za evaluaciju ovog zadatka koristi se metrika AUC

Za Zadatak 3, bodovanje se dodeljuje prema sledećim pravilima:

• AUC ≥ 0.85 → 60 poena
• AUC ≤ 0.70 → 0 poena
• Interval između njih: proporcionalno bodovanje