揚聲器 | 成績單 |
| 完成的 | 大家好，我是 Namita，我和來自康乃狄克大學的隊友 Ayush、Jimmy 和 Kamal 一起介紹我們使用 JMP 預測電信客戶流失的分析。 |
| 我們選擇的數據來自於讓我們所有人保持聯繫的行業，即電信和互聯網服務行業。讓我們先簡單介紹一下背景。 |
| 由於成本較低、促銷優惠和服務品質等多種原因，美國電信業競爭持續激烈，客戶黏著度較低。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其關鍵業務洞察。 |
| 這是因為保留現有客戶的成本遠低於獲取新客戶的成本。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。然後根據這些數據的分析，向企業推薦客製化的產品策略。 |
| 我們在這裡遵循標準 SEMMA 方法。現在讓我們大致了解一下資料集。它包含總共 7,043 排屬於不同人群（單身、有家屬和老年人）的顧客 |
| 並訂閱不同的產品，如網路服務、電話線、串流電視、串流電影和線上安全。 |
| 自變數大約有20個；其中，17 個是分類的，3 個是連續的。分類的因目標變數是客戶流失率。 |
| 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進行建模以供將來分析。這就是我向你傳達的內容，阿尤什。 |
| 阿尤什·庫馬爾 | 謝謝，娜米塔。我是阿尤什。在本節中，我將討論資料探索和預處理。 |
| 在資料探索中，我們發現了有趣的關係，例如，變數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 |
| 使用 JMP 中的散點圖矩陣驗證了這種關係。此外，透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，因此缺失值已被處理。使用排除異常值功能觀察變數的直方圖後，我們得出結論：資料集沒有異常值。 |
| 名為「客戶 ID」的變數有 7,043 個唯一值，這些值不會為目標變數增加任何意義。因此客戶 ID 被排除在外。 |
| 我們也能夠在變數中找到有趣的模式。串流媒體電視和串流電影等變數傳達有關串流媒體行為的相同訊息。 |
| 透過使用我們在 JMP 中的公式，這些變數被分組到一個單獨的欄位中。對於變數線上備份和線上安全也採取了相同的行動。 |
| 我們在 JMP 中執行邏輯迴歸和決策樹來找出重要的變數。 |
| 從效果總結中可以看出，期限、合約類型、月費、串流媒體、多線路服務和支付方式在確定目標方面顯示出顯著的對數價值和非常重要的變數。 |
| 對的影響？也幫助我們將變數數量縮小到 12 個具有統計顯著性的變量，這構成了進一步建模的基礎。 |
| 我們使用 ??? 的值功能並將我們的目標變數“是”向上移動。最後，使用公式隨機方法將資料以 16 20 20 的比例分為訓練驗證和測試。現在交給你了，卡邁勒。 |
| 卡邁勒·克里希南 | 抱歉，我是卡邁勒。我將詳細解釋使用該資料集在 JMP 中建立的不同模型。 |
| 我們總共建構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。 |
| 因為我們的目標是減少分類中的假陰性數量。 |
| JMP 非常用戶友好，可以透過更改配置來重做模型。每當在 JMP 中完成模型的新迭代時，都可以輕鬆儲存結果 |
| 然後比較輸出，以便從每種類型中選擇最佳化模型。 JMP 甚至允許我們將截止值從預設的 0.5 更改為其他值並觀察預測結果。這張投影片顯示了從八種不同類型的模型中選擇的模型的結果。 |
| 首先，作為我們的首要目標變數旅程分類，我們建構了邏輯迴歸。然後我們建立決策樹、KNN、Bootstrap 森林和提升樹等整合模型。 |
| 然後我們建構了神經網路等機器學習模型。 JMP 允許我們在神經網路和 KNN 等模型中設定隨機種子。這幫助我們獲得了所需的相同輸出。 |
| 然後我們建立了樸素貝葉斯模型。 JMP 使我們能夠透過預測刻畫器研究各種變數的影響。 |
| 我們可以指向並點擊來更改範圍內的值，並查看它如何影響目標變數。透過改變樸素貝葉斯中的預測分析器，我們觀察到任期期限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，我們對不同模型的組合進行了集成，以平均並消除單一模型的缺點。 |
| 我們發現在整合神經網路和樸素貝葉斯之間具有更高的靈敏度???。模型描述到此結束。交給你了，吉米。 |
| 約瑟夫 | 謝謝你，卡邁勒。在本節中，我們將比較模型並更深入研究每個模型的細節。 |
| 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、升力比和曲線值下面積。 |
| 錯誤分類資料的成本顯示在幻燈片的右上角。使用平均每月費用來確定誤報和漏報的成本。 |
| 假陰性模型的成本預測潛在客戶不會離開，以美元 (85) 和假陰性成本計算 |
| 折扣 20% 後可享額外優惠，價格為 14 美元。成本比較圖清楚顯示 niave bayes 的成本最低。 |
| 繼續看總準確率圖表，它在 74% 到 81% 之間，大多數模型沒有太大變化。提升度（與基準模型相比找到成功記錄的機率測量）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測量。如圖所示，所有模型在此類別中都表現同樣出色。 |
| 靈敏度和準確性圖表衡量模型在準確預測客戶流失的成功程度。該圖表顯示了兩個事實 |
| 模型可以正確預測多少客戶；預測準確的頻率。 |
| 此測量被用作決定最佳性能模型的主要參數，樸素貝葉斯在此類別中表現良好。 |
| 基於各種指標並考慮模型預測失敗的成本，樸素貝葉斯成為預測給定資料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。如果你不考慮它的一些固有缺點，例如缺乏支持的統計模型，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，資料集中的重要變數是註冊客戶的合約和任期。 |
| 透過建模，我們觀察到客戶流失率很高 |
| 1) 人口統計上無扶養者； 2）為電話服務支付高價的人，對高端服務的客戶滿意度較低； |
| 3）客戶堅持原廠的單一線路服務，容易切換到競爭對手。因此，根據這些發現，建議是 |
| 1）有針對性的客戶推廣，重點是創造收入； 2）推行具有額外激勵措施的長期合約； 3）圍繞顧客需求打造產品線組合。 |
| 總之，我們使用JMP工具對有限的資料集進行分析和預測模型。這些分析非常有效且強大，如果您有任何進一步的問題，請與我們聯絡。謝謝。 |
