Аналіз та класифікація відтоку клієнтів у телекомунікаційних послугах (9-10)

Аналіз та класифікація відтоку в телекомунікаційних послугах

Контекст

Відтік клієнтів представляє добровільну відмову від послуг оператора телекомунікацій. Розуміння факторів, що впливають на відтік, є важливим для розробки стратегій утримання та оптимізації пропозицій і послуг.

Штучний інтелект дозволяє комплексний аналіз даних про клієнтів для:

• ідентифікації клієнтів з високим ризиком відмови
• сегментації клієнтів за поведінкою та споживанням
• оцінки впливу різних пропозицій та характеристик на рішення про відтік

Для розв'язання цієї проблеми у вас будуть доступні два файли:

• train.csv – містить всі змінні, включаючи Churn, для навчання моделей
• test.csv – містить ті ж змінні, без колонки Churn, і дані з цього файлу використовуються для генерації прогнозів

Опис набору даних

Вимоги

Для цієї проблеми вам потрібно розв'язати 3 завдання.

Завдання 1 – Спрощена оцінка фінансового ризику (20 балів)

Обчисліть для кожного клієнта з тестового набору спрощену оцінку фінансового ризику на основі значень Monthly Charge та Total Extra Data Charges.

• Формула:

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

Кожен компонент додає 1 бал до оцінки, якщо:

• Monthly Charge > 70: підвищений ризик відтоку через місячну вартість
• Total Extra Data Charges > 10: додатковий ризик через додаткові витрати

Фінальна оцінка знаходиться між 0 та 2.

Завдання 2 – Оцінка підключення та послуг (20 балів)

Обчисліть для кожного клієнта з тестового набору оцінку, що відображає якість послуг на основі колонок Avg Speed, Ping Score та Link Quality Index.

• Формула:

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

Кожен компонент вносить 1 бал до оцінки.
Фінальна оцінка знаходиться між 0 (хороший досвід) та 3 (поганий досвід).

Точніше, якщо виконується перша умова (Avg Speed < 50) додається 1 бал. Так само і для решти.

Завдання 3 – Класифікація відтоку (60 балів)

Побудуйте модель класифікації, яка прогнозуватиме Churn (0 = активний клієнт, 1 = клієнт, що відмовився) на основі всієї доступної інформації в train.csv.

• Ви можете використовувати всі доступні колонки або обрати найбільш релевантну підмножину для моделі.
• Прогнози для кожного клієнта з test.csv повинні бути 0 або 1.
• Answer у файлі подання буде 0 або 1 для кожного клієнта.

Формат файлу подання

Файл submission.csv повинен містити:

• id - ID взятий з test.csv (колонка SampleID)
• subtaskID
  • 1 для Завдання 1
  • 2 для Завдання 2
  • 3 для Завдання 3`
• answer - обчислене або прогнозоване значення для клієнта в зазначеному завданні

Оцінювання

• Завдання 1 та Завдання 2: точне оцінювання (порівняння з правильними відповідями)
• Завдання 3: для оцінювання цього завдання використовується метрика AUC

Для Завдання 3 бали нараховуються згідно з наступними правилами:

• AUC ≥ 0.85 → 60 балів
• AUC ≤ 0.70 → 0 балів
• Інтервал між ними: пропорційний бал