Lautsprecher | Abschrift |
| Namita | Hallo zusammen, ich bin Namita und ich bin hier mit meinen Teamkollegen Ayush, Jimmy und Kamal von der University of Connecticut, um unsere Analyse zur Vorhersage der Abwanderung im Telekommunikationsbereich mit JMP vorzustellen. |
| Die Daten, die wir ausgewählt haben, stammen aus der Branche, die uns alle miteinander verbindet, also der Telekommunikations- und Internetdienstleistungsbranche. Beginnen wir also mit einem kurzen Überblick über die Hintergründe. |
| Die US-Telekommunikationsbranche ist aus mehreren Gründen wie niedrigeren Kosten, kombinierten Werbeangeboten und Servicequalität weiterhin Zeuge eines intensiven Wettbewerbs und einer geringen Kundenbindung. So |
| Um sich auf das Hauptziel der Vermeidung von Abwanderung auszurichten, verwenden Telekommunikationsunternehmen häufig die Analyse der Kundenabwanderung als ihre wichtigsten Geschäftseinblicke. |
| Dies liegt daran, dass die Kosten für die Bindung eines bestehenden Kunden weitaus geringer sind als für die Gewinnung eines neuen Kunden. Weiter zum Ziel, |
| Das Hauptziel hierbei ist es, die potenziellen Kunden, die möglicherweise abwandern, im Voraus vorherzusagen. Und dann, basierend auf der Analyse dieser Daten, empfehlen Sie dem Unternehmen maßgeschneiderte Produktstrategien. |
| Wir sind hier dem Standard-SEMMA-Ansatz gefolgt. Verschaffen wir uns nun einen Überblick über den Datensatz. Es besteht aus insgesamt 7.043 Reihen von Kunden, die verschiedenen demografischen Gruppen angehören (ledig, mit Angehörigen und Senior). |
| und Abonnieren verschiedener Produktangebote wie Internetdienste, Telefonleitungen, Streaming-TV, Streaming-Filme und Online-Sicherheit. |
| Es gibt ungefähr 20 unabhängige Variablen; Davon sind 17 kategorisch und drei kontinuierlich. Die abhängige Zielgröße für die Klassifizierung ist die Kundenabwanderung. |
| Und die Abwanderungsrate für das Basismodell liegt bei etwa 26,5 %. Ziel ist es nun, diese Daten vorzuverarbeiten und für zukünftige Analysen zu modellieren. Das war's von meiner Seite bis zu dir, Ayush. |
| Ayush Kumar | Danke Namita. Ich bin Ayush. In diesem Abschnitt werde ich über die Datenexploration und -vorverarbeitung sprechen. |
| Bei der Datenexploration entdeckten wir interessante Beziehungen, zum Beispiel waren die Variablen Betriebszugehörigkeit und monatliche Gebühren beide positiv mit den Gesamtgebühren korreliert. Diese drei Variablen haben wir analysiert |
| unter Verwendung einer Scatterplot-Matrix in JMP, wodurch die Beziehung validiert wurde. Darüber hinaus haben wir durch die Verwendung der Funktion „Fehlende Werte suchen“ festgestellt, dass die Spalte „Gesamtkosten“ 11 fehlende Werte aufwies. |
| Die fehlenden Werte wurden berücksichtigt, da eine Spalte für die Gesamtkosten aufgrund von Multikollinearität ausgeschlossen wurde. Nachdem wir die Histogramme der Variablen mit der Funktion zum Ausschließen von Ausreißern beobachtet hatten, kamen wir zu dem Schluss, dass der Datensatz keine Ausreißer aufwies. |
| Die Variable namens Kunden-ID hatte 7.043 eindeutige Werte, die der Zielvariablen keine Bedeutung hinzufügen würden. Die Kunden-ID wurde also ausgeschlossen. |
| Wir konnten auch interessante Muster unter den Variablen finden. Variablen wie Streaming TV und Streaming Movies vermitteln die gleichen Informationen über das Streaming-Verhalten. |
| Diese Variablen wurden mithilfe unserer Formel in JMP in einer einzelnen Spalte gruppiert, zu der gestreamt wurde. Analog wurde für die Variablen Online-Backup und Online-Sicherheit vorgegangen. |
| Wir haben die logistische Regression und den Entscheidungsbaum in JMP ausgeführt, um die wichtigen Variablen herauszufinden. |
| Aus der Zusammenfassung der Auswirkungen wurde festgestellt, dass Laufzeit, Vertragstyp, monatliche Gebühren, Streaming nach, Mehrleitungsdienst und Zahlungsmethode einen signifikanten Log-Wert und sehr wichtige Variablen bei der Bestimmung des Ziels aufwiesen. |
| Die Auswirkungen auf ??? hat uns auch geholfen, eine Variablenanzahl auf 12 statistisch signifikante Variablen einzugrenzen, die die Grundlage für die weitere Modellierung bildeten. |
| Wir verwenden den Wert von ??? Funktionalität und verschoben Yes unserer Zielvariable nach oben. Schließlich wurden die Daten in Trainingsvalidierung und Test im Verhältnis 16 20 20 unter Verwendung der Formel-Zufallsmethode aufgeteilt. Nun zu dir, Kamal. |
| Kamal Krishnan | Entschuldigung, ich bin Kamal. Ich werde anhand des Datensatzes mehr über die verschiedenen Modelle erklären, die in JMP erstellt wurden. |
| Insgesamt haben wir acht verschiedene Modelltypen gebaut. Bei jedem Modelltyp haben wir verschiedene Eingangskonfigurationen und Einstellungen ausprobiert, um die Ergebnisse hauptsächlich der Empfindlichkeit zu verbessern. |
| Denn unser Ziel war es, die Anzahl falsch negativer Ergebnisse in der Klassifizierung zu reduzieren. |
| JMP ist sehr benutzerfreundlich, um die Modelle durch Ändern der Konfigurationen neu zu erstellen. Es war einfach, die Ergebnisse zu speichern, wenn eine neue Iteration des Modells in JMP durchgeführt wird |
| und vergleichen Sie dann die Ausgaben, um das optimierte Modell aus jedem Typ auszuwählen. JMP erlaubte uns sogar, die Cutoff-Werte von standardmäßig 0,5 auf andere zu ändern und beobachtete die Vorhersageergebnisse. Diese Folie zeigt die Ergebnisse ausgewählter Modelle aus acht verschiedenen Modelltypen. |
| Erstens haben wir als unsere wichtigste Zielvariable Journeys kategorisch die logistische Regression erstellt. Dann bauen wir Entscheidungsbaum, KNN, Ensemble-Modelle wie Bootstrap Forest und Boosted Tree. |
| Dann haben wir Modelle für maschinelles Lernen wie neuronale Netze gebaut. Mit JMP konnten wir den Zufallsstartwert in Modellen wie neuronalen Netzen und KNN festlegen. Dies half uns, die gleichen Ergebnisse zu erzielen, die wir brauchten. |
| Dann haben wir das naive Bayes-Modell gebaut. JMP ermöglichte es uns, die Auswirkungen verschiedener Variablen durch Vorhersageprofiler zu untersuchen. |
| Wir können darauf zeigen und klicken, um die Werte im Bereich zu ändern und zu sehen, wie sich dies auf die Zielvariable auswirkt. Durch die Änderung des Vorhersageprofilers in naiven Buchten haben wir beobachtet, dass eine Verlängerung der Beschäftigungsdauer zur Verringerung der Abwanderungsrate beiträgt. Andererseits, |
| Eine Erhöhung der monatlichen Gebühren erhöht die Abwanderungsrate. Schließlich haben wir ein Ensemble aus verschiedenen Kombinationen von Modellen erstellt, um die Mängel einzelner Modelle zu mitteln und zu beseitigen. |
| Wir haben festgestellt, dass das Ensembling von neuronalen Netzwerken und naiven Bayes eine höhere Empfindlichkeit unter ??? hat. Damit endet die Modellbeschreibung. Zu dir, Jimmy. |
| JJoseph | Danke Kamal. In diesem Abschnitt werden wir die Modelle vergleichen und tiefer in jedes Modelldetail eintauchen. |
| Die wichtigsten Parameter, die zum Vergleich der Modelle verwendet werden, sind die Kosten der Fehlklassifizierung in Dollar, das Diagramm der Empfindlichkeit gegenüber der Genauigkeit, das Lift-Verhältnis und die Werte für die Fläche unter der Kurve. |
| Die Kosten der Fehlklassifikationsdaten sind in der rechten oberen Ecke der Folie dargestellt. Kosten für falsch positive und falsch negative Ergebnisse, die anhand der durchschnittlichen monatlichen Gebühren ermittelt werden. |
| Dieses Modell der Kosten des falsch negativen Modells prognostizierte keine Wende für potenziell abreisende Kunden, berechnet auf Dollar (85) und die Kosten des falsch negativen Modells |
| zu einem Dollar (14) nach Abzug von 20 %, um zusätzliche Vorteile zu berücksichtigen. Die Kostenvergleichstabelle zeigt deutlich, dass die Niave Bayes die niedrigsten Kosten hat. |
| Gehen Sie weiter zum Diagramm der Gesamtgenauigkeitsraten, das zwischen 74 und 81 % liegt, nicht viel Variation bei den meisten Modellen. Und Lift, ein Maß für die Wahrscheinlichkeit, im Vergleich zum Basismodell einen Erfolgsnachweis zu finden, variiert zwischen 1,99 und 3,11. |
| Die AUC- oder ROC-Kurve ist ein weiteres Maß, um die Stärke des Modells mit verschiedenen Arten von Werten zu bestimmen. Wie die Grafik zeigt, schnitten alle Modelle in dieser Kategorie gleich gut ab. |
| Das Sensitivitäts- und Genauigkeitsdiagramm misst den Erfolg der Modelle, um die Kundenabwanderung genau vorherzusagen. Das Diagramm zeigt zwei Tatsachen |
| Wie viele Kunden kann das Modell korrekt vorhersagen; wie oft die Vorhersage genau ist. |
| Dieses Maß wird als Hauptparameter verwendet, um das leistungsstärkste Modell zu bestimmen, und naive Buchten schnitten in dieser Kategorie gut ab. |
| Basierend auf den verschiedenen Metriken und unter Berücksichtigung der Kosten einer fehlgeschlagenen Vorhersage von Modellen erwies sich Naive Bayes als das beste und sparsamste Modell, um die Kundenabwanderung für den gegebenen Datensatz vorherzusagen. |
| Es hat das niedrigste Fehlklassifikationsverhältnis, eine hohe Empfindlichkeit und eine ziemlich gute Gesamtgenauigkeit. Wenn Sie einige der inhärenten Nachteile außer Acht lassen, wie z. B. das Fehlen eines statistischen Modells zur Unterstützung, ist das Modell vollständig datengesteuert und leicht erklärbar. |
| Weiter zu den gezogenen Schlussfolgerungen: Die wesentlichen Variablen im Datensatz sind Vertrag und Amtszeit des registrierten Kunden. |
| Bei der Modellierung haben wir festgestellt, dass die Abwanderung von Kunden hoch ist |
| 1) diejenigen, die demographisch nicht unterhaltsberechtigt sind; 2) diejenigen, die einen hohen Preis für ihre Telefondienste zahlen, niedrige Kundenzufriedenheitsrate bei High-End-Diensten; |
| 3) Kunden bleiben bei der ursprünglichen Single-Line-Service-Lösung und wechseln einfach zu Wettbewerbern. Die Empfehlungen basieren also auf diesen Erkenntnissen |
| 1) gezielte Kundenwerbung mit Fokus auf Einkommensgenerierung; 2) Langfristige Verträge mit zusätzlichen Anreizen forcieren; 3) Bauen Sie eine Produktlinienkombination auf, die sich auf die Kundenbedürfnisse konzentriert. |
| Zusammenfassend verwenden wir das JMP-Tool, um Analysen und Vorhersagemodelle für begrenzte Datensätze durchzuführen. Es ist sehr effektiv und leistungsstark, diese Analysen durchzuführen. Bitte wenden Sie sich an uns, wenn Sie weitere Fragen haben. Vielen Dank. |
