扬声器 | 成绩单 |
| 浪田 | 大家好，我是 Namita，我和康涅狄格大学的队友 Ayush、Jimmy 和 Kamal 在这里介绍我们使用 JMP 预测电信流失的分析。 |
| 我们选择的数据来自让我们保持联系的行业，即电信和互联网服务行业。 因此，让我们先简要介绍一下背景。 |
| 由于成本降低、组合促销优惠和服务质量等多种原因，美国电信行业继续见证激烈的竞争和低客户粘性。 所以 |
| 为了实现防止客户流失的主要目标，电信公司经常使用客户流失分析作为他们的关键业务洞察力。 |
| 这是因为保留现有客户的成本远低于获得新客户的成本。 朝着目标前进， |
| 这里的主要目标是提前预测可能流失的潜在客户。 然后根据对这些数据的分析，向企业推荐定制的产品策略。 |
| 我们在这里遵循了标准的 SEMMA 方法。 现在让我们大致了解一下数据集。 它包含总共 7,043 行属于不同人口统计数据（单身、有家属和老年人）的客户 |
| 并订阅不同的产品，如互联网服务、电话线、流媒体电视、流媒体电影和在线安全。 |
| 大约有20个自变量；其中，17 个是分类的，3 个是连续的。 分类的因目标变量是客户流失。 |
| 基线模型的流失率约为 26.5%。 现在的目标是预处理这些数据并对其建模以供将来分析。 从我到你，这就是它，Ayush。 |
| 阿尤什·库马尔 | 谢谢，纳米塔。 我是阿尤什。 在本节中，我将讨论数据探索和预处理。 |
| 在数据探索中，我们发现了有趣的关系，例如，变量任期和每月费用都与总费用呈正相关。 我们分析的这三个变量 |
| 在 JMP 中使用散点图矩阵验证了这种关系。 此外，通过使用探索缺失值功能，我们观察到总费用列有 11 个缺失值。 |
| 由于多重共线性，总费用列被排除在外，因此处理了缺失值。 在使用排除异常值功能观察变量的直方图后，我们得出结论，数据集没有异常值。 |
| 名为 Customer ID 的变量有 7,043 个唯一值，不会对目标变量增加任何意义。 因此排除了客户 ID。 |
| 我们还能够在变量中找到有趣的模式。 流式电视和流式电影等变量传达有关流式传输行为的相同信息。 |
| 通过使用我们在 JMP 中的公式，这些变量被分组到一个单独的列中。 对变量在线备份和在线安全采取了相同的措施。 |
| 我们在 JMP 中运行逻辑回归和决策树以找出重要变量。 |
| 从效果总结中可以看出，任期、合同类型、月费、流式传输、多线服务和支付方式在确定目标时显示出显着的对数价值和非常重要的变量。 |
| 对的影响？？？还帮助我们将变量计数缩小到 12 个具有统计意义的变量，这为进一步建模奠定了基础。 |
| 我们使用 ???功能并将我们的目标变量的“是”向上移动。 最后，使用公式随机方法将数据分成16 20 20比例的训练验证和测试。 现在交给你了，卡马尔。 |
| 卡马尔克里希南 | 对不起，我是卡马尔。 我将详细解释使用数据集在 JMP 中构建的不同模型。 |
| 我们总共构建了八种不同类型的模型。 在每种类型的模型上，我们尝试了各种输入配置和设置，以提高主要灵敏度的结果。 |
| 我们的目标是减少分类中误报的数量。 |
| JMP 非常便于用户通过更改配置来重做模型。 每当在 JMP 中完成模型的新迭代时，都可以轻松存储结果 |
| 然后比较输出以从每种类型中选择优化模型。 JMP 甚至允许我们将截止值从默认 0.5 更改为其他值并观察预测结果。 这张幻灯片显示了从八种不同类型的模型中选择模型的结果。 |
| 首先，作为我们的首要目标变量旅程分类，我们构建了逻辑回归。 然后我们构建决策树、KNN、集成模型，如 Bootstrap 森林和提升树。 |
| 然后我们建立了机器学习模型，比如神经网络。 JMP 允许我们在神经网络和 KNN 等模型中设置随机种子。 这有助于我们获得所需的相同输出。 |
| 然后我们建立了朴素贝叶斯模型。 JMP 允许我们通过预测刻画器研究各种变量的影响。 |
| 我们可以指向并单击以更改范围内的值，并查看它如何影响目标变量。 通过更改朴素贝叶斯中的预测分析器，我们观察到任期的增加有助于降低流失率。 相反， |
| 每月费用的增加会增加客户流失率。 最后，我们对不同的模型组合进行了集成，以平均并消除单个模型的缺点。 |
| 我们发现在集成神经网络和朴素贝叶斯之间有更高的敏感性？？？。 模型描述到此结束。 交给你了，吉米。 |
| 约瑟夫 | 谢谢你，卡马尔。 在本节中，我们将比较模型并深入了解每个模型的细节。 |
| 用于比较模型的主要参数是错误分类成本（以美元计）、灵敏度与准确度图表、提升比和曲线下面积值。 |
| 错误分类数据的成本显示在幻灯片的右上角。 使用平均每月费用确定的误报和误报成本。 |
| 假阴性模型的成本预测客户可能离开的机会，以美元 (85) 和假阴性成本计算 |
| 在折扣 20% 以适应额外福利后，价格为 (14) 美元。 成本比较图表清楚地表明，朴素贝叶斯的成本最低。 |
| 继续使用它的总准确率图表在 74% 到 81% 之间，在大多数模型中变化不大。 提升度（与基线模型相比）衡量找到成功记录的概率，在 1.99 到 3.11 之间变化。 |
| AUC 或 ROC 曲线是我们确定具有不同类型值的模型强度的另一种度量。 如图所示，所有模型在该类别中的表现同样出色。 |
| 敏感度和准确度图表衡量模型在准确预测客户流失方面的成功。 图表表明了两个事实 |
| 模型能正确预测的客户数量；预测准确的频率。 |
| 该度量被用作决定性能最佳模型的主要参数，朴素贝叶斯在该类别中表现良好。 |
| 基于各种指标并考虑模型预测失败的成本，朴素贝叶斯作为预测给定数据集的客户流失的最佳且简约的模型。 |
| 它具有最低的误分类率、高灵敏度和相当好的总准确率。 如果您忽略它的一些固有缺点，例如缺乏统计模型来支持，那么该模型完全是数据驱动的并且易于解释。 |
| 继续得出结论，数据集中的重要变量是客户注册的合同和任期。 |
| 从建模中，我们观察到客户的流失率很高 |
| 1) 没有人口依赖的人； 2）电话服务价格高，高端服务客户满意度低； |
| 3）客户在服务上固守原有单线，轻松转投竞争对手。 因此，基于这些发现，建议是 |
| 1) 以创收为重点的定向客户推广； 2) 以额外奖励推动长期合同； 3）构建以客户需求为中心的产品线组合。 |
| 总之，我们使用 JMP 工具对有限的数据集进行分析和预测模型。 做这些分析非常有效和强大，如果您有任何其他问题，请与我们联系。 谢谢你。 |
