揚聲器 | 成績單 |
| 浪田 | 大家好，我是 Namita，我和康涅狄格大學的隊友 Ayush、Jimmy 和 Kamal 在這裡介紹我們使用 JMP 預測電信流失的分析。 |
| 我們選擇的數據來自讓我們保持聯繫的行業，即電信和互聯網服務行業。 因此，讓我們先簡要介紹一下背景。 |
| 由於成本降低、組合促銷優惠和服務質量等多種原因，美國電信行業繼續見證激烈的競爭和低客戶粘性。 所以 |
| 為了實現防止客戶流失的主要目標，電信公司經常使用客戶流失分析作為他們的關鍵業務洞察力。 |
| 這是因為保留現有客戶的成本遠低於獲得新客戶的成本。 朝著目標前進， |
| 這裡的主要目標是提前預測可能流失的潛在客戶。 然後基於對這些數據的分析，向企業推薦定制的產品策略。 |
| 我們在這裡遵循了標準的 SEMMA 方法。 現在讓我們大致了解一下數據集。 它包含總共 7,043 行屬於不同人口統計數據（單身、有家屬和老年人）的客戶 |
| 並訂閱不同的產品，如互聯網服務、電話線、流媒體電視、流媒體電影和在線安全。 |
| 大約有20個自變量；其中，17 個是分類的，3 個是連續的。 分類的因目標變量是客戶流失。 |
| 基線模型的流失率約為 26.5%。 現在的目標是預處理這些數據並對其建模以供將來分析。 從我到你，這就是它，Ayush。 |
| 阿尤什·庫馬爾 | 謝謝，納米塔。 我是阿尤什。 在本節中，我將討論數據探索和預處理。 |
| 在數據探索中，我們發現了有趣的關係，例如，變量任期和每月費用都與總費用呈正相關。 我們分析的這三個變量 |
| 在 JMP 中使用散點圖矩陣驗證了這種關係。 此外，通過使用探索缺失值功能，我們觀察到總費用列有 11 個缺失值。 |
| 由於多重共線性，總費用列被排除在外，因此處理了缺失值。 在使用排除異常值功能觀察變量的直方圖後，我們得出結論，數據集沒有異常值。 |
| 名為 Customer ID 的變量有 7,043 個唯一值，不會對目標變量增加任何意義。 因此排除了客戶 ID。 |
| 我們還能夠在變量中找到有趣的模式。 流式電視和流式電影等變量傳達有關流式傳輸行為的相同信息。 |
| 通過使用我們在 JMP 中的公式，這些變量被分組到一個單獨的列中。 對變量在線備份和在線安全採取了相同的措施。 |
| 我們在 JMP 中運行邏輯回歸和決策樹以找出重要變量。 |
| 從效果總結中可以看出，任期、合同類型、月費、流式傳輸、多線服務和支付方式在確定目標時顯示出顯著的對數價值和非常重要的變量。 |
| 對的影響？？？還幫助我們將變量計數縮小到 12 個具有統計意義的變量，這為進一步建模奠定了基礎。 |
| 我們使用 ???功能並將我們的目標變量的“是”向上移動。 最後，使用公式隨機方法將數據分成16 20 20比例的訓練驗證和測試。 現在交給你了，卡馬爾。 |
| 卡馬爾克里希南 | 對不起，我是卡馬爾。 我將詳細解釋使用數據集在 JMP 中構建的不同模型。 |
| 我們總共構建了八種不同類型的模型。 在每種類型的模型上，我們嘗試了各種輸入配置和設置，以提高主要靈敏度的結果。 |
| 我們的目標是減少分類中誤報的數量。 |
| JMP 非常便於用戶通過更改配置來重做模型。 每當在 JMP 中完成模型的新迭代時，都可以輕鬆存儲結果 |
| 然後比較輸出以從每種類型中選擇優化模型。 JMP 甚至允許我們將截止值從默認 0.5 更改為其他值並觀察預測結果。 這張幻燈片顯示了從八種不同類型的模型中選擇模型的結果。 |
| 首先，作為我們的首要目標變量旅程分類，我們構建了邏輯回歸。 然後我們構建決策樹、KNN、集成模型，如 Bootstrap 森林和提升樹。 |
| 然後我們建立了機器學習模型，比如神經網絡。 JMP 允許我們在神經網絡和 KNN 等模型中設置隨機種子。 這有助於我們獲得所需的相同輸出。 |
| 然後我們建立了樸素貝葉斯模型。 JMP 允許我們通過預測刻畫器研究各種變量的影響。 |
| 我們可以指向並單擊以更改範圍內的值，並查看它如何影響目標變量。 通過更改樸素貝葉斯中的預測分析器，我們觀察到任期的增加有助於降低流失率。 相反， |
| 每月費用的增加會增加客戶流失率。 最後，我們對不同的模型組合進行了集成，以平均並消除單個模型的缺點。 |
| 我們發現在集成神經網絡和朴素貝葉斯之間有更高的敏感性？？？。 模型描述到此結束。 交給你了，吉米。 |
| 約瑟夫 | 謝謝你，卡馬爾。 在本節中，我們將比較模型並深入了解每個模型的細節。 |
| 用於比較模型的主要參數是錯誤分類成本（以美元計）、靈敏度與準確度圖表、提升比和曲線下面積值。 |
| 錯誤分類數據的成本顯示在幻燈片的右上角。 使用平均每月費用確定的誤報和誤報成本。 |
| 假陰性模型的成本預測客戶可能離開的機會，以美元 (85) 和假陰性成本計算 |
| 在折扣 20% 以適應額外福利後，價格為 (14) 美元。 成本比較圖表清楚地表明，樸素貝葉斯的成本最低。 |
| 繼續使用它的總準確率圖表在 74% 到 81% 之間，在大多數模型中變化不大。 提升度（與基線模型相比）衡量找到成功記錄的概率，在 1.99 到 3.11 之間變化。 |
| AUC 或 ROC 曲線是我們確定具有不同類型值的模型強度的另一種度量。 如圖所示，所有模型在該類別中的表現都一樣好。 |
| 敏感度和準確度圖表衡量模型在準確預測客戶流失方面的成功。 圖表表明了兩個事實 |
| 模型能正確預測的客戶數量；預測準確的頻率。 |
| 該度量被用作決定性能最佳模型的主要參數，樸素貝葉斯在該類別中表現良好。 |
| 基於各種指標並考慮模型預測失敗的成本，樸素貝葉斯作為預測給定數據集的客戶流失的最佳且簡約的模型。 |
| 它具有最低的誤分類率、高靈敏度和相當好的總準確率。 如果您忽略它的一些固有缺點，例如缺乏統計模型來支持，那麼該模型完全是數據驅動的並且易於解釋。 |
| 繼續得出結論，數據集中的重要變量是客戶註冊的合同和任期。 |
| 從建模中，我們觀察到客戶的流失率很高 |
| 1) 沒有人口依賴的人； 2）電話服務價格高，高端服務客戶滿意度低； |
| 3）客戶在服務上固守原有單線，容易轉投競爭對手。 因此，基於這些發現，建議是 |
| 1) 以創收為重點的定向客戶推廣； 2) 以額外獎勵推動長期合同； 3）構建以客戶需求為中心的產品線組合。 |
| 總之，我們使用 JMP 工具對有限的數據集進行分析和預測模型。 做這些分析非常有效和強大，如果您有任何其他問題，請與我們聯繫。 謝謝你。 |
