스피커 | 성적 증명서 |
| 나미타 | 안녕하세요 여러분 저는 Namita입니다. 저는 University of Connecticut의 팀원인 Ayush, Jimmy, Kamal과 함께 JMP를 사용한 통신 이탈 예측에 대한 분석을 발표했습니다. |
| 우리가 선택한 데이터는 우리 모두를 연결하는 산업, 즉 통신 및 인터넷 서비스 산업에서 가져온 것입니다. 그럼 배경에 대한 간략한 설명으로 시작하겠습니다. |
| 미국 통신 산업은 저렴한 비용, 콤보 프로모션 제안 및 서비스 품질과 같은 여러 가지 이유로 인해 치열한 경쟁과 낮은 고객 고정도를 계속해서 목격하고 있습니다. 그래서 |
| 이탈 방지라는 주요 목표에 맞추기 위해 통신 회사는 종종 고객 이탈 분석을 주요 비즈니스 통찰력으로 사용합니다. |
| 이는 기존 고객을 유지하는 비용이 신규 고객을 확보하는 것보다 훨씬 적기 때문입니다. 목표를 향해 나아가고, |
| 여기서 주요 목표는 감퇴할 수 있는 잠재 고객을 미리 예측하는 것입니다. 그리고 그 데이터 분석을 바탕으로 맞춤형 제품 전략을 비즈니스에 추천합니다. |
| 우리는 여기에서 표준 SEMMA 접근 방식을 따랐습니다. 이제 데이터 세트의 개요를 살펴보겠습니다. 다양한 인구통계(미혼, 부양가족, 연장자)에 속하는 총 7,043개의 고객 행으로 구성되어 있습니다. |
| 인터넷 서비스, 전화 회선, 스트리밍 TV, 스트리밍 영화 및 온라인 보안과 같은 다양한 제품 제공에 가입합니다. |
| 약 20개의 독립 변수가 있습니다. 그 중 17개는 범주형이고 3개는 연속형입니다. 분류의 종속 대상 변수는 고객 이탈입니다. |
| 그리고 베이스라인 모델의 이탈률은 약 26.5%입니다. 이제 목표는 이 데이터를 사전 처리하고 향후 분석을 위해 모델링하는 것입니다. 그게 내 끝에서 당신에게 끝났어, Ayush. |
| 아유시 쿠마르 | 고마워, 나미타. 저는 아유쉬입니다. 이 섹션에서는 데이터 탐색 및 전처리에 대해 이야기하겠습니다. |
| 데이터 탐색에서 우리는 흥미로운 관계를 발견했습니다. 예를 들어, 변수 사용 기간과 월별 요금은 모두 총 요금과 양의 상관 관계가 있습니다. 우리가 분석한 이 세 가지 변수 |
| JMP의 산점도 행렬을 사용하여 관계를 검증했습니다. 또한 결측값 탐색 기능을 사용하여 총 요금 열에 11개의 결측값이 있음을 관찰했습니다. |
| 누락된 값은 다중공선성으로 인해 총 요금 열이 제외되어 처리되었습니다. 제외 이상값 기능을 사용하여 변수의 히스토그램을 관찰한 후 데이터 세트에 이상값이 없다는 결론을 내렸습니다. |
| Customer ID라는 변수에는 7,043개의 고유한 값이 있으며 대상 변수에 의미를 추가하지 않습니다. 따라서 고객 ID는 제외되었습니다. |
| 변수들 사이에서도 흥미로운 패턴을 찾을 수 있었습니다. 스트리밍 TV 및 스트리밍 영화와 같은 변수는 스트리밍 동작에 대한 동일한 정보를 전달합니다. |
| 이러한 변수는 JMP의 공식을 사용하여 스트리밍되는 단일 열로 그룹화되었습니다. 온라인 백업 및 온라인 보안 변수에 대해서도 동일한 조치가 취해졌습니다. |
| 중요한 변수를 찾기 위해 JMP에서 로지스틱 회귀 및 의사 결정 트리를 실행했습니다. |
| 효과 요약을 보면, 사용 기간, 계약 유형, 월 사용료, 스트리밍 대상, 다중 회선 서비스 및 지불 방법이 목표를 결정하는 데 중요한 로그 가치와 매우 중요한 변수를 나타냄을 관찰했습니다. |
| ???에 대한 효과 또한 변수 수를 통계적으로 유의한 12개의 변수로 좁히는 데 도움이 되었으며, 이는 추가 모델링의 기초를 형성했습니다. |
| 우리는 ???의 값을 사용합니다. 기능을 변경하고 대상 변수의 Yes를 위쪽으로 이동했습니다. 마지막으로, 데이터는 공식 랜덤 방법을 사용하여 16 20 20 비율로 훈련 검증 및 테스트로 분할되었습니다. 이제 당신에게 넘어갑니다, 카말. |
| 카말 크리슈난 | 죄송합니다. 저는 카말입니다. 데이터 세트를 사용하여 JMP에 구축된 다양한 모델에 대해 자세히 설명하겠습니다. |
| 우리는 총 8가지 유형의 모델을 만들었습니다. 모델의 종류별로 다양한 입력 구성과 설정을 시도하여 주로 감도에 대한 결과를 개선했습니다. |
| 우리의 목표는 분류에서 거짓 음성의 수를 줄이는 것이었습니다. |
| JMP는 구성을 변경하여 모델을 다시 실행하는 데 매우 사용자 친화적입니다. JMP에서 모델의 새 반복이 수행될 때마다 결과를 저장하기 쉬웠습니다. |
| 그런 다음 각 유형에서 최적화된 모델을 선택하기 위해 출력을 비교합니다. JMP를 사용하면 컷오프 값을 기본 0.5에서 다른 값으로 변경할 수도 있고 예측 결과를 관찰할 수 있습니다. 이 슬라이드는 8가지 다른 유형의 모델에서 선택한 모델의 결과를 보여줍니다. |
| 첫째, 상위 대상 변수 여정으로 범주형 로지스틱 회귀를 구축했습니다. 그런 다음 결정 트리, KNN, 부트스트랩 포리스트 및 부스트 트리와 같은 앙상블 모델을 구축합니다. |
| 그런 다음 신경망과 같은 기계 학습 모델을 구축했습니다. JMP를 사용하면 신경망 및 KNN과 같은 모델에서 임의의 시드를 설정할 수 있습니다. 이는 우리가 필요로 하는 동일한 출력을 얻는 데 도움이 되었습니다. |
| 그런 다음 우리는 순진한 Bayes 모델을 구축했습니다. JMP를 사용하면 예측 프로파일러를 통해 다양한 변수의 영향을 연구할 수 있습니다. |
| 가리키고 클릭하여 범위의 값을 변경하고 대상 변수에 미치는 영향을 확인할 수 있습니다. naive bayes에서 예측 프로파일러를 변경함으로써 우리는 재직 기간의 증가가 이탈률을 줄이는 데 도움이 된다는 것을 관찰했습니다. 반대로, |
| 월 요금이 증가하면 해지율이 높아집니다. 마지막으로 개별 모델의 단점을 평균화하고 제거하기 위해 서로 다른 모델 조합의 앙상블을 수행했습니다. |
| 우리는 신경망과 나이브 베이가 앙상블에서 ??? 중에서 더 높은 감도를 가지고 있음을 발견했습니다. 이것으로 모델 설명을 마칩니다. 당신에게로, 지미. |
| 죠셉 | 고마워, 카말. 이 섹션에서는 모델을 비교하고 각 모델 세부 사항에 대해 더 자세히 살펴보겠습니다. |
| 모델을 비교하는 데 사용되는 주요 매개변수는 잘못된 분류 비용(달러), 민감도 대 정확도 차트, 리프트 비율 및 곡선 아래 면적 값입니다. |
| 오분류 데이터의 비용은 슬라이드의 오른쪽 상단 모서리에 나와 있습니다. 가양성 및 가음성 비용은 평균 월별 요금을 사용하여 결정됩니다. |
| 위음성 모델의 비용은 고객이 잠재적으로 떠날 가능성이 없음을 예측하고 달러(85) 및 위음성 비용으로 계산됩니다. |
| 추가 혜택을 수용하기 위해 20% 할인 후 달러(14)로. 비용 비교 차트는 나이브 베이의 비용이 가장 낮다는 것을 명확하게 나타냅니다. |
| 전체 정확도 차트로 이동하면 74~81% 사이이며 대부분의 모델에서 큰 변화가 없습니다. 그리고 베이스라인 모델과 비교하여 성공 기록을 찾을 확률을 측정하는 리프트는 1.99에서 3.11 사이입니다. |
| AUC 또는 ROC 곡선은 다른 유형의 값을 사용하여 모델의 강도를 결정하는 또 다른 측정값입니다. 차트에서 알 수 있듯이 모든 모델이 이 범주에서 동등하게 잘 수행되었습니다. |
| 민감도 및 정확도 차트는 모델의 성공을 측정하여 고객 이탈을 정확하게 예측합니다. 차트는 두 가지 사실을 나타냅니다. |
| 모델이 정확하게 예측할 수 있는 고객 수 얼마나 자주 예측이 정확한지. |
| 이 측정값은 가장 성능이 좋은 모델을 결정하는 주요 매개변수로 사용되며 나이브 베이는 이 범주에서 잘 수행되었습니다. |
| 다양한 메트릭을 기반으로 하고 모델의 실패한 예측 비용을 고려하면 naive bayes가 주어진 데이터 세트에 대한 고객 이탈을 예측하는 가장 좋고 간결한 모델로 나타났습니다. |
| 오분류율이 가장 낮고 감도가 높으며 총 정확도가 상당히 좋습니다. 지원할 통계 모델의 부족과 같은 고유한 단점 중 일부를 제외하면 모델은 완전히 데이터 기반이며 쉽게 설명할 수 있습니다. |
| 도출된 결론으로 이동하여 데이터 세트의 중요한 변수는 등록된 고객의 계약 및 근속 기간입니다. |
| 모델링에서 우리는 고객 이탈이 높은 것을 관찰했습니다. |
| 1) 인구 통계에 의존하지 않는 사람들; 2) 전화 서비스에 높은 가격을 지불하고 고급 서비스에 대한 낮은 고객 만족도를 지불하는 사람들; |
| 3) 고객은 서비스에 대한 원래 단일 회선을 고수하여 경쟁업체로 쉽게 전환합니다. 따라서 이러한 결과를 바탕으로 권장 사항은 |
| 1) 소득 창출에 중점을 둔 타겟 고객 프로모션; 2) 추가 인센티브가 포함된 장기 계약을 추진합니다. 3) 고객의 요구에 초점을 맞춘 제품 라인 콤보를 구축합니다. |
| 결론적으로 JMP 도구를 사용하여 제한된 데이터 세트에 대한 분석 및 예측 모델을 수행합니다. 이러한 분석을 수행하는 것은 매우 효과적이고 강력합니다. 추가 질문이 있는 경우 당사에 연락하십시오. 고맙습니다. |
