스피커 | 성적 증명서 |
| 완성된 | 안녕하세요 여러분, 저는 나미타입니다. 저는 코네티컷 대학의 팀원인 아유시, 지미, 카말과 함께 JMP를 사용하여 통신사 이탈을 예측하는 방법에 대한 분석을 발표하고자 합니다. |
| 우리가 선택한 데이터는 우리 모두를 연결해주는 산업, 즉 통신 및 인터넷 서비스 산업에서 나온 것입니다. 그러니 배경에 대한 간략한 설명으로 시작해 보겠습니다. |
| 미국 통신 산업은 낮은 비용, 콤보 프로모션 제공, 서비스 품질 등 여러 가지 이유로 치열한 경쟁과 낮은 고객 충성도를 계속 목격하고 있습니다. 그래서 |
| 고객 이탈을 방지한다는 주요 목표를 달성하기 위해, 통신 회사는 종종 고객 이탈 분석을 핵심적인 비즈니스 통찰력으로 활용합니다. |
| 이는 기존 고객을 유지하는 비용이 새로운 고객을 확보하는 비용보다 훨씬 적기 때문입니다. 목표로 넘어가면, |
| 여기서 주요 목표는 이탈할 수 있는 잠재 고객을 미리 예측하는 것입니다. 그런 다음 해당 데이터 분석을 기반으로 비즈니스에 맞춤형 제품 전략을 추천합니다. |
| 여기서는 표준 SEMMA 접근 방식을 따랐습니다. 이제 데이터 세트에 대한 개요를 살펴보겠습니다. 여기에는 다양한 인구 통계(독신, 부양가족 있음, 노인)에 속하는 총 7,043개 행의 고객이 포함됩니다. |
| 인터넷 서비스, 전화선, 스트리밍 TV, 스트리밍 영화, 온라인 보안과 같은 다양한 제품을 구독합니다. |
| 독립변수는 약 20개이며, 그 중 17개는 범주형이고 3개는 연속형입니다. 분류를 위한 종속 대상 변수는 고객 이탈입니다. |
| 그리고 기준 모델의 이탈률은 약 26.5%입니다. 목표는 이제 이 데이터를 사전 처리하고 향후 분석을 위해 모델링하는 것입니다. 제 쪽에서 당신에게로, Ayush. |
| 아유시 쿠마르 | 고맙습니다, 나미타. 저는 아유시입니다. 이 섹션에서는 데이터 탐색과 사전 처리에 대해 이야기하겠습니다. |
| 데이터 탐색에서 우리는 흥미로운 관계를 발견했습니다. 예를 들어, 임기 변수와 월 요금은 모두 총 요금과 양의 상관 관계가 있었습니다. 우리가 분석한 이 세 가지 변수 |
| JMP에서 산점도 행렬을 사용하여 관계를 검증했습니다. 또한 누락된 값 탐색 기능을 사용하여 총 요금 열에 누락된 값이 11개 있음을 확인했습니다. |
| 누락된 값은 다중공선성으로 인해 총 요금 열이 제외되어 처리되었습니다. 제외 이상치 기능을 사용하여 변수의 히스토그램을 관찰한 후, 데이터 세트에 이상치가 없다는 결론을 내렸습니다. |
| 고객 ID라는 변수는 7,043개의 고유한 값을 가지고 있었는데, 이는 대상 변수에 아무런 의미도 더하지 못했습니다. 그래서 고객 ID는 제외되었습니다. |
| 우리는 또한 변수들 사이에서 흥미로운 패턴을 발견할 수 있었습니다. 스트리밍 TV와 스트리밍 영화와 같은 변수들은 스트리밍 행동에 대한 동일한 정보를 전달합니다. |
| 이러한 변수는 JMP에서 우리의 공식을 사용하여 단일 열 스트리밍으로 그룹화되었습니다. 온라인 백업 및 온라인 보안 변수에 대해서도 동일한 조치가 취해졌습니다. |
| 우리는 JMP에서 로지스틱 회귀 분석과 결정 트리를 실행하여 중요한 변수를 알아냈습니다. |
| 효과 요약을 통해, 임기, 계약 유형, 월 이용료, 스트리밍 대상, 다중 회선 서비스 및 지불 방법이 상당한 로그 가치를 보였으며, 목표를 결정하는 데 매우 중요한 변수인 것으로 나타났습니다. |
| ???에 미치는 영향은 또한 변수 수를 통계적으로 유의미한 12개로 좁히는 데 도움이 되었으며, 이는 추가 모델링의 기초를 형성했습니다. |
| 우리는 ??? 기능의 값을 사용하고 목표 변수의 Yes를 위로 옮겼습니다. 마지막으로, 데이터는 공식 랜덤 방법을 사용하여 16 20 20 비율로 훈련 검증 및 테스트로 분할되었습니다. 이제 당신 차례입니다, 카말. |
| 카말 크리슈난 | 죄송합니다. 저는 카말입니다. 데이터 세트를 사용하여 JMP에서 구축된 다양한 모델에 대해 더 자세히 설명하겠습니다. |
| 우리는 총 8가지 다른 유형의 모델을 구축했습니다. 각 유형의 모델에서 우리는 주로 민감도의 결과를 개선하기 위해 다양한 입력 구성과 설정을 시도했습니다. |
| 우리의 목표는 분류에서 거짓 부정의 수를 줄이는 것이었습니다. |
| JMP는 구성을 변경하여 모델을 다시 실행하는 데 매우 사용자 친화적입니다. JMP에서 모델의 새 반복이 수행될 때마다 결과를 저장하는 것이 쉬웠습니다. |
| 그리고 각 유형에서 최적화된 모델을 선택하기 위해 출력을 비교합니다. JMP를 사용하면 기본 0.5에서 다른 값으로 차단 값을 변경하고 예측 결과를 관찰할 수도 있습니다. 이 슬라이드는 8가지 다른 유형의 모델에서 선택한 모델의 결과를 보여줍니다. |
| 첫째, 우리의 상위 대상 변수가 범주형으로 여행함에 따라 로지스틱 회귀를 구축했습니다. 그런 다음 의사결정 트리, KNN, Bootstrap forest 및 boosted tree와 같은 앙상블 모델을 구축합니다. |
| 그런 다음 우리는 신경망과 같은 머신 러닝 모델을 구축했습니다. JMP는 신경망과 KNN과 같은 모델에서 랜덤 시드를 설정할 수 있게 해주었습니다. 이를 통해 필요한 것과 동일한 출력을 얻는 데 도움이 되었습니다. |
| 그런 다음 우리는 나이브 베이즈 모델을 구축했습니다. JMP는 예측 프로파일러를 통해 다양한 변수의 영향을 연구할 수 있게 해주었습니다. |
| 범위 내의 값을 변경하고 대상 변수에 어떤 영향을 미치는지 보려면 가리키고 클릭할 수 있습니다. 나이브 베이즈에서 예측 프로파일러를 변경하여 임기 기간의 증가가 이탈률을 줄이는 데 도움이 된다는 것을 관찰했습니다. 반대로, |
| 월별 요금 증가는 이탈률을 증가시킵니다. 마지막으로, 우리는 다양한 모델 조합을 앙상블하여 평균을 내고 개별 모델의 단점을 제거했습니다. |
| 우리는 신경망과 나이브 베이즈를 앙상블하는 데 있어서 ??? 중에서 더 높은 민감도를 가지고 있다는 것을 발견했습니다. 이것으로 모델 설명을 마칩니다. 이제 당신 차례입니다, 지미. |
| 조셉 | 고맙습니다, 카말. 이 섹션에서는 모델을 비교하고 각 모델 세부 사항을 더 자세히 살펴보겠습니다. |
| 모델을 비교하는 데 사용된 주요 매개변수는 분류 오류 비용(달러), 민감도 대 정확도 차트, 리프트 비율, 곡선 아래 면적 값입니다. |
| 오분류 데이터 비용은 슬라이드 오른쪽 상단 모서리에 표시되어 있습니다. 평균 월 요금을 사용하여 결정된 거짓 양성 및 거짓 음성 비용. |
| 고객이 떠날 가능성이 없다고 예측한 거짓 부정 모델의 비용은 달러(85)로 계산되고 거짓 부정 비용은 |
| 추가 혜택을 수용하기 위해 20% 할인한 후 달러(14)로. 비용 비교 차트는 니아베 베이즈가 가장 낮은 비용을 가지고 있음을 분명히 나타냅니다. |
| 전체 정확도 비율 차트로 넘어가면 74~81% 사이이며 대부분 모델에서 큰 변화가 없습니다. 그리고 기준 모델과 비교했을 때 성공 기록을 찾을 확률을 측정하는 리프트는 1.99~3.11 사이에서 다양합니다. |
| AUC 또는 ROC 곡선은 다른 유형의 값을 가진 모델의 강도를 결정하는 또 다른 척도입니다. 차트에서 알 수 있듯이 모든 모델은 이 범주에서 동등하게 좋은 성과를 거두었습니다. |
| 민감도 및 정확도 차트는 모델이 고객 이탈을 정확하게 예측하는 데 성공했는지 측정합니다. 차트는 두 가지 사실을 나타냅니다. |
| 모델이 올바르게 예측할 수 있는 고객의 수는 얼마인가? 그리고 예측이 정확한 빈도는 얼마인가? |
| 이 측정값은 가장 우수한 성능을 보이는 모델을 결정하는 주요 매개변수로 사용되며, 나이브 베이즈는 이 범주에서 좋은 성과를 보였습니다. |
| 다양한 지표를 기반으로 하고 모델 예측 실패 비용을 고려할 때, 나이브 베이즈는 주어진 데이터 세트에 대한 고객 이탈률을 예측하는 데 가장 적합하고 간결한 모델로 나타났습니다. |
| 가장 낮은 오분류율, 높은 민감도, 그리고 상당히 좋은 총 정확도를 가지고 있습니다. 지원할 통계적 모델이 없다는 것과 같은 고유한 단점 중 일부를 제외하면, 이 모델은 완전히 데이터 중심적이며 쉽게 설명할 수 있습니다. |
| 도출된 결론으로 넘어가면, 데이터 세트의 중요 변수는 등록된 고객의 계약 및 기간입니다. |
| 모델링을 통해 고객 이탈률이 높다는 것을 관찰했습니다. |
| 1) 인구학적으로 부양가족이 없는 사람들, 2) 전화 서비스에 높은 가격을 지불하는 사람들, 고급 서비스에 대한 고객 만족도가 낮은 사람들. |
| 3) 고객은 원래 단일 회선 서비스를 고수하고 경쟁사로 쉽게 전환합니다. 따라서 이러한 결과를 바탕으로 권장 사항은 다음과 같습니다. |
| 1) 소득 창출에 초점을 맞춘 타겟 고객 홍보, 2) 추가 인센티브를 통한 장기 계약 추진, 3) 고객 요구에 초점을 맞춘 제품군 콤보 구축. |
| 결론적으로, 우리는 제한된 데이터 세트에 대한 분석과 예측 모델을 수행하기 위해 JMP 도구를 사용합니다. 그것은 그러한 분석을 수행하는 데 매우 효과적이고 강력합니다. 추가 질문이 있으면 저희에게 연락해 주십시오. 감사합니다. |
