Relatore | Trascrizione |
| Namita | Ciao a tutti, sono Namita e sono qui con i miei compagni di squadra Ayush, Jimmy e Kamal dell'Università del Connecticut per presentare la nostra analisi sulla previsione dell'abbandono delle telecomunicazioni utilizzando JMP. |
| I dati che abbiamo scelto provengono dall'industria che ci tiene tutti connessi, ovvero l'industria delle telecomunicazioni e dei servizi Internet. Quindi iniziamo con un breve sullo sfondo. |
| L'industria delle telecomunicazioni statunitense continua a essere testimone di un'intensa concorrenza e di una bassa adesione dei clienti a causa di molteplici ragioni come costi inferiori, offerte promozionali combinate e qualità del servizio. Così |
| per allinearsi all'obiettivo principale di prevenire l'abbandono, le società di telecomunicazioni spesso utilizzano l'analisi dell'attrito dei clienti come informazioni chiave sul business. |
| Ciò è dovuto al fatto che il costo per mantenere un cliente esistente è molto inferiore a quello per acquisirne uno nuovo. Passando all'obiettivo, |
| l'obiettivo principale qui è prevedere in anticipo i potenziali clienti che potrebbero attriti. E quindi, sulla base dell'analisi di tali dati, consiglia alle aziende strategie di prodotto personalizzate. |
| Abbiamo seguito l'approccio SEMMA standard qui. Ora diamo una panoramica del set di dati. Consiste in un totale di 7.043 righe di clienti appartenenti a diversi gruppi demografici (single, con dipendenti e senior) |
| e sottoscrivere diverse offerte di prodotti come servizi Internet, linee telefoniche, streaming TV, film in streaming e sicurezza online. |
| Ci sono circa 20 variabili indipendenti; fuori di essa, 17 sono categoriali e tre continue. La variabile target dipendente per la classificazione è l'abbandono del cliente. |
| E il tasso di abbandono per il modello di base è di circa il 26,5%. L'obiettivo ora è pre-elaborare questi dati e modellarli per analisi future. Questo è tutto dalla mia parte fino a te, Ayush. |
| Ayush Kumar | Grazie, Namita. Sono Ayush. In questa sezione parlerò dell'esplorazione e della preelaborazione dei dati. |
| Nell'esplorazione dei dati, abbiamo scoperto relazioni interessanti, ad esempio, le variabili di possesso e le tariffe mensili erano entrambe correlate positivamente alle tariffe totali. Queste tre variabili che abbiamo analizzato |
| utilizzando la matrice del grafico a dispersione in JMP, che ha convalidato la relazione. Inoltre, utilizzando la funzionalità Esplora i valori mancanti, abbiamo osservato che la colonna degli addebiti totali aveva 11 valori mancanti. |
| I valori mancanti sono stati presi in considerazione poiché una colonna degli addebiti totali è stata esclusa a causa della multicollinearità. Dopo aver osservato gli istogrammi delle variabili utilizzando la funzionalità di esclusione dei valori anomali, abbiamo concluso che il set di dati non aveva valori anomali. |
| La variabile denominata Customer ID aveva 7.043 valori univoci che non aggiungevano alcun significato alla variabile target. Quindi l'ID cliente è stato escluso. |
| Siamo stati anche in grado di trovare pattern interessanti tra le variabili. Variabili come TV in streaming e film in streaming trasmettono le stesse informazioni sul comportamento dello streaming. |
| Queste variabili sono state raggruppate in un'unica colonna in streaming utilizzando la nostra formula in JMP. La stessa procedura è stata adottata per le variabili backup online e sicurezza online. |
| Abbiamo eseguito la regressione logistica e l'albero decisionale in JMP per scoprire le variabili importanti. |
| Dalla sintesi degli effetti, è stato osservato che possesso, tipo di contratto, canoni mensili, streaming to, servizio multilinea e modalità di pagamento hanno mostrato un valore log significativo e variabili molto importanti nella determinazione del target. |
| Gli effetti su ??? ci ha anche aiutato a restringere il conteggio delle variabili a 12 variabili statisticamente significative, che hanno costituito la base per ulteriori modelli. |
| Usiamo il valore di ??? funzionalità e spostato Sì della nostra variabile target verso l'alto. Infine, i dati sono stati suddivisi in convalida dell'allenamento e test nel rapporto 16 20 20 utilizzando il metodo casuale della formula. Adesso tocca a te, Kamal. |
| Kamal Krishnan | Scusa, sono Kamal. Spiegherò di più sui diversi modelli costruiti in JMP utilizzando il set di dati. |
| In totale abbiamo costruito otto diversi tipi di modelli. Su ogni tipo di modello, abbiamo provato varie configurazioni e impostazioni di input per migliorare i risultati principalmente di sensibilità. |
| Poiché il nostro obiettivo era ridurre il numero di falsi negativi nella classificazione. |
| JMP è molto facile da usare per rifare i modelli modificando le configurazioni. È stato facile memorizzare i risultati ogni volta che viene eseguita una nuova iterazione del modello in JMP |
| e quindi confrontare gli output per selezionare il modello ottimizzato da ciascun tipo. JMP ci ha consentito persino di modificare i valori di cutoff da 0,5 predefinito ad altri e di osservare i risultati della previsione. Questa diapositiva mostra i risultati del modello selezionato da otto diversi tipi di modelli. |
| In primo luogo, come categoria di viaggio delle variabili target principali, abbiamo costruito la regressione logistica. Quindi costruiamo un albero decisionale, KNN, modelli di ensemble come la foresta di Bootstrap e l'albero potenziato. |
| Quindi abbiamo costruito modelli di apprendimento automatico come le reti neurali. JMP ci ha permesso di impostare il seme casuale in modelli come reti neurali e KNN. Questo ci ha aiutato a ottenere gli stessi risultati di cui avevamo bisogno. |
| Poi abbiamo costruito il modello ingenuo di Bayes. JMP ci ha permesso di studiare l'impatto di varie variabili attraverso il profilatore di predizione. |
| Possiamo puntare e fare clic su per modificare i valori nell'intervallo e vedere come influisce sulla variabile target. Modificando il profilo di previsione in bayes ingenuo, abbiamo osservato che l'aumento del periodo di possesso aiuta a ridurre il tasso di abbandono. Anzi, |
| l'aumento delle tariffe mensili aumenta il tasso di abbandono. Infine, abbiamo riunito diverse combinazioni di modelli per ottenere una media ed eliminare le carenze dei singoli modelli. |
| Abbiamo scoperto che nell'insieme della rete neurale e dell'ingenuo bayes ha una maggiore sensibilità tra ???. Questo termina la descrizione del modello. Passa a te, Jimmy. |
| JJoseph | Grazie, Kamal. In questa sezione confronteremo i modelli e approfondiremo ogni dettaglio del modello. |
| I parametri principali utilizzati per confrontare i modelli sono il costo dell'errata classificazione in dollari, il grafico della sensibilità rispetto all'accuratezza, il rapporto di sollevamento e l'area sotto i valori della curva. |
| Il costo dei dati di classificazione errata è mostrato nell'angolo in alto a destra della diapositiva. Costo dei falsi positivi e dei falsi negativi determinato utilizzando gli addebiti mensili medi. |
| Quel modello del costo del falso negativo prevedeva che il cliente non se ne sarebbe andato, calcolato in dollari (85) e il costo del falso negativo |
| a dollaro (14) dopo aver scontato il 20% per accogliere ulteriori vantaggi. La tabella di confronto dei costi indica chiaramente che il niave bayes ha il costo più basso. |
| Passare al grafico dei tassi di precisione totale con esso è compreso tra il 74 e l'81%, non molte variazioni nella maggior parte dei modelli. E l'incremento, una misura della probabilità di trovare un record di successo rispetto al modello di base, varia tra 1,99 e 3,11. |
| La curva AUC o ROC è un'altra misura che ci consente di determinare la forza del modello con diversi tipi di valori. Come indica il grafico, tutti i modelli si sono comportati ugualmente bene in questa categoria. |
| Il grafico di sensibilità e accuratezza misura il successo dei modelli per prevedere con precisione l'abbandono dei clienti. Il grafico indica due fatti |
| Quanti clienti che il modello può prevedere correttamente; a quanto spesso la previsione sia accurata. |
| Questa misura viene utilizzata come parametro principale per decidere il modello con le migliori prestazioni e bayes ingenuo ha ottenuto buoni risultati in questa categoria. |
| Sulla base delle varie metriche e considerando il costo della previsione fallita dei modelli, ingenuo bayes si è rivelato il modello migliore e parsimonioso per prevedere l'abbandono dei clienti per un determinato set di dati. |
| Ha un rapporto di classificazione errata più basso, un'elevata sensibilità e una precisione totale ragionevolmente buona. Se si scartano alcuni dei suoi svantaggi intrinseci, come la mancanza di un modello statistico da supportare, il modello è completamente basato sui dati e facilmente spiegabile. |
| Passando alle conclusioni tratte, le variabili significative del data set sono contratto e possesso del cliente iscritto. |
| Dalla modellazione, abbiamo osservato che l'abbandono dei clienti è elevato |
| 1) quelli senza carico demografico; 2) coloro che pagano un prezzo elevato per i loro servizi telefonici, basso tasso di soddisfazione del cliente sui servizi di fascia alta; |
| 3) i clienti si attengono alla linea singola originale sul servizio, facilmente passa alla concorrenza. Quindi, sulla base di questi risultati, le raccomandazioni sono |
| 1) promozione mirata del cliente focalizzata sulla generazione di reddito; 2) spingere il contratto a lungo termine con ulteriori incentivi; 3) costruire una linea di prodotti combinata incentrata sulle esigenze del cliente. |
| In conclusione, utilizziamo lo strumento JMP per eseguire analisi e modelli predittivi su set di dati limitati. È molto efficace ed efficace eseguire tali analisi, per favore contattaci se hai ulteriori domande. Grazie. |
