Kaggle-电信客户流失分析及应对措施

分析原因

在产品使用过程中,一些用户会因为各式各样的原因而不再使用我们的产品, 这些用户难道就任由他们流失了吗？

分析目标

正面,通过对流失客户的分析,我们产品质量和生命周期得到优化
反面,分析所有相关的客户数据，并开发针对性的客户保留服务

分析背景

项目数据来源于Kaggle-电信客户流失

数据集内容

1. 上个月内离开的客户–该列称为“客户流失”
2. 每个客户已签署的服务-电话，多条线路，互联网，在线安全，在线备份，设备保护，技术支持以及流电视和电影
3. 客户帐户信息–他们成为客户的时间，合同，付款方式，无纸化账单，每月费用和总费用
4. 有关客户的人口统计信息-性别，年龄范围以及他们是否有伴侣和受扶养人

分析流程

**首先我们导入PYTHON分析用的包,并对数据进行简单的观察

接下来对数据进行预处理
我们通过观察发现并未出现缺失值,但是customerID这项特征似乎对我们分析没有用,可以先将它剔除

我们首先分析核心特征:客户流失

上个月内离开的客户占到26.6%

接下来我们分析其他特征

gender:性别

看到女性的流失率稍微高于男性

seniorcitizens:是否为老年人

老年人的流失率明显高

Partner:是否有伴侣
Dependents:是否有受抚养人
PhoneService:是否有电话服务
PaperlessBilling:是否采用无纸账单
对于这几项数据,应该对流失率的影响大不大,我们可以将其转化类型,稍后带入机器模型中逐一比较

tenture:用户使用时长,单位月

分析得出,流失率在20月之前是最高的,看来20个月是个很关键的分水岭,我们如果要提升客户转化率不妨从这个时间点入手
MultipulLines:客户是否有多条线路（是，否，没有电话服务）
对于这种多指标的特征,我们可以另取方法,例如pd.get_dummies,这里我观察到可以将No phone service与No合并

InternetService:客户的互联网服务提供商（DSL，光纤，否)
对于这种无法合并的数据,我们就可以使用get_dummies

同理我认为无关紧要的特征,就直接把它们数值化,稍后代入模型

PaymentMethod:客户付款方式
Contract:合同
同理get_dummies


MonthlyCharges:月费
月费大于60会导致客户大量流失,这个60是一个关键点,我们或许可以适当减少月费,或者让利促销

TotalCharges:总费用
当我对其进行数据类型转换时,“Unable to parse string “” at position 488”,我们首先要剔除空白值再进行转换

大多数流失的客户处于总费用2000以下

以上就是所有特征分析,最后我们将建立随机森林模型,使流失特征与每项特征进行交叉验证,最终得到的准确率为78%

随机森林算法（RandomForest）的输出有一个变量是 feature_importances_ ， 特征重要性
带入可以得到每个特征所占的的比重,再将其进行可视化


可以很清楚的看到,前三项占权重最高,分别是,总费用,月费用,使用月长

分析结果

由以上分析得知,对客户流失影响较大的几个因素

1. 总费用:大于2000会导致客户大量流失
2. 月费:大于60会导致客户大量流失
3. 使用时长:流失率在20月之前是最高的,看来20个月是个很关键的分水岭

制定策略

降低用户流失,设置用户流失预警机制

细分策略：
通过建立细分模型将具有流失倾向用户分成若干群组,分析得出流失可能性较高群组特征,并制定针对性的营销措施进行挽留,例如特殊福利折扣，优化流程、引导文案，等等

评分策略：
将频道高价值客户单独分群,对高价值客户的流失可能性进行建模评分,频道对流失得分较高的高价值用户给予格外关注,设计合适的挽留措施进行挽留

对流失用户进行召回

1. 福利召回:优惠券,现金红包,体验金等福利
2. 活动召回:节假日折扣,周年庆等

总结

通过此次项目练习,我受益匪浅,认识到最重要的还是建立客户对产品的信任