Analys och klassificering av churn inom telekommunikationstjänster (9-10)

Analys och klassificering av churn inom telekommunikationstjänster

Kontext

Kundchurn representerar kunders frivilliga uppsägning av tjänster hos en telekommunikationsoperatör. Att förstå de faktorer som påverkar churn är väsentligt för att utveckla retentionsstrategier och för att optimera erbjudanden och tjänster.

Artificiell intelligens möjliggör komplex analys av kunddata för att:

• identifiera kunder med hög risk att säga upp
• segmentera kunder baserat på beteende och konsumtion
• uppskatta påverkan av olika erbjudanden och egenskaper på churn-beslutet

För att lösa detta problem kommer ni att ha tillgång till två filer:

• train.csv – innehåller alla variabler, inklusive Churn, för träning av modeller
• test.csv – innehåller samma variabler, utan kolumnen Churn, och data från denna fil används för att generera prediktioner

Beskrivning av datasetet

Krav

För detta problem ska ni lösa 3 uppgifter.

Uppgift 1 – Förenklad finansiell riskscore (20 poäng)

Beräkna för varje kund i testdatasetet en förenklad finansiell riskscore baserad på värdena Monthly Charge och Total Extra Data Charges.

• Formel:

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

Varje komponent lägger till 1 poäng till scoren om:

• Monthly Charge > 70: ökad risk för churn på grund av månadskostnad
• Total Extra Data Charges > 10: ytterligare risk på grund av extrakostnader

Den slutliga scoren är mellan 0 och 2.

Uppgift 2 – Score för anslutning och tjänster (20 poäng)

Beräkna för varje kund i testdatasetet en score som reflekterar tjänstekvaliteten baserat på kolumnerna Avg Speed, Ping Score och Link Quality Index.

• Formel:

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

Varje komponent bidrar med 1 poäng till scoren.
Den slutliga scoren är mellan 0 (bra upplevelse) och 3 (dålig upplevelse).

Mer specifikt, om det första villkoret (Avg Speed < 50) uppfylls läggs 1 poäng till. Samma gäller för resten.

Uppgift 3 – Klassificering av churn (60 poäng)

Bygg en klassificeringsmodell som predikterar Churn (0 = aktiv kund, 1 = kund som sagt upp) baserat på all tillgänglig information i train.csv.

• Ni kan använda alla tillgängliga kolumner eller välja den mest relevanta delmängden för modellen.
• Prediktionerna för varje kund i test.csv måste vara 0 eller 1.
• Answer i inlämningsfilen ska vara 0 eller 1 för varje kund.

Format för inlämningsfilen

Filen submission.csv måste innehålla:

• id - ID hämtat från test.csv (kolumnen SampleID)
• subtaskID
  • 1 för Uppgift 1
  • 2 för Uppgift 2
  • 3 för Uppgift 3
• answer - det beräknade eller predikterade värdet för kunden för den angivna uppgiften

Utvärdering

• Uppgift 1 och Uppgift 2: exakt utvärdering (jämförelse med korrekta svar)
• Uppgift 3: för utvärdering av denna uppgift används metriken AUC

För Uppgift 3 tilldelas poäng enligt följande regler:

• AUC ≥ 0.85 → 60 poäng
• AUC ≤ 0.70 → 0 poäng
• Intervallet däremellan: proportionell poängsättning