《数据挖掘工程师实战》— 电信运营商：客户流失预警

最新推荐文章于 2024-06-08 17:59:38 发布
最新推荐文章于 2024-06-08 17:59:38 发布
阅读量1.3k 收藏 11
点赞数
分类专栏： python 数据分析 文章标签： 数据分析项目
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_43487620/article/details/107622203
版权

数据分析算法应用之客户流失预警实战

四、分析与准备数据—开会与讨论

  • State:州名/区域
  • Account Length:账户长度
  • Area Code：区号
  • Phone：电话号码
  • ‘Int’l Plan：国际漫游需求与否
  • VMail Plan：参与活动
  • VMail Message：语音邮箱
  • Day Mins:白天通话分钟数
  • Day Calls:白天打电话个数
  • Day Charge:白天收费情况
  • Eve Mins:晚间通话分钟数
  • Eve Calls：晚间打电话个数
  • Eve Charge：晚间收费情况
  • Night Mins：夜间通话分钟数
  • Night Calls：夜间打电话个数
  • Night Charge：夜间收费情况
  • Intl Mins：国际通话分钟数
  • Intl Calls：国际打电话个数
  • Intl Charge：国际收费
  • CustServ Calls：客服接到投诉电话数量
  • Churn：流失与否

4.1 数据清洗与格式转换

import warnings
warnings.filterwarnings('ignore') #忽视
  • Step.1 通过pandas来导入csv：查看一下数据的基本情况，可以看到， 整个数据集有3333条数据， 21个维度， 最后一列是分类
import pandas as pd
import numpy as np
# 加载数据集
churn_df = pd.read_csv('churn.csv')
col_names = churn_df.columns.tolist() #所有的列展示出来

print("Column names:")
print(col_names)

Column names:
['State', 'Account Length', 'Area Code', 'Phone', "Int'l Plan", 'VMail Plan', 'VMail Message', 'Day Mins', 'Day Calls', 'Day Charge', 'Eve Mins', 'Eve Calls', 'Eve Charge', 'Night Mins', 'Night Calls', 'Night Charge', 'Intl Mins', 'Intl Calls', 'Intl Charge', 'CustServ Calls', 'Churn?']
  • Step.2 基本信息以及类型
to_show = col_names[:6] + col_names[-6:] #前6列特征和后6列特征

print("\nSample data:")
churn_df[to_show].head(6)

Sample data:
StateAccount LengthArea CodePhoneInt'l PlanVMail PlanNight ChargeIntl MinsIntl CallsIntl ChargeCustServ CallsChurn?
0KS128415382-4657noyes11.0110.032.701False.
1OH107415371-7191noyes11.4513.733.701False.
2NJ137415358-1921nono7.3212.253.290False.
3OH84408375-9999yesno8.866.671.782False.
4OK75415330-6626yesno8.4110.132.733False.
5AL118510391-8027yesno9.186.361.700False.
churn_df.info() # 是否有缺失值

<class 'pandas.core.frame.DataFrame'>
RangeIndex: 3333 entries, 0 to 3332
Data columns (total 21 columns):
State             3333 non-null object
Account Length    3333 non-null int64
Area Code         3333 non-null int64
Phone             3333 non-null object
Int'l Plan        3333 non-null object
VMail Plan        3333 non-null object
VMail Message     3333 non-null int64
Day Mins          3333 non-null float64
Day Calls         3333 non-null int64
Day Charge        3333 non-null float64
Eve Mins          3333 non-null float64
Eve Calls         3333 non-null int64
Eve Charge        3333 non-null float64
Night Mins        3333 non-null float64
Night Calls       3333 non-null int64
Night Charge      3333 non-null float64
Intl Mins         3333 non-null float64
Intl Calls        3333 non-null int64
Intl Charge       3333 non-null float64
CustServ Calls    3333 non-null int64
Churn?            3333 non-null object
dtypes: float64(8), int64(8), object(5)
memory usage: 546.9+ KB

churn_df.describe() 
#describe() 可以返回具体的结果， 对于每一列。

#数量 平均值 标准差 25% 分位 50% 分位数 75% 分位数 最大值 很多时候你可以得到NA的数量和比例。
Account LengthArea CodeVMail MessageDay MinsDay CallsDay ChargeEve MinsEve CallsEve ChargeNight MinsNight CallsNight ChargeIntl MinsIntl CallsIntl ChargeCustServ Calls
count3333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.0000003333.000000
mean101.064806437.1824188.099010179.775098100.43564430.562307200.980348100.11431117.083540200.872037100.1077119.03932510.2372944.4794482.7645811.562856
std39.82210642.37129013.68836554.46738920.0690849.25943550.71384419.9226254.31066850.57384719.5686092.2758732.7918402.4612140.7537731.315491
min1.000000408.0000000.0000000.0000000.0000000.0000000.0000000.0000000.00000023.20000033.0000001.0400000.0000000.0000000.0000000.000000
25%74.000000408.0000000.000000143.70000087.00000024.430000166.60000087.00000014.160000167.00000087.0000007.5200008.5000003.0000002.3000001.000000
50%101.000000415.0000000.000000179.400000101.00000030.500000201.400000100.00000017.120000201.200000100.0000009.05000010.3000004.0000002.7800001.000000
75%127.000000510.00000020.000000216.400000114.00000036.790000235.300000114.00000020.000000235.300000113.00000010.59000012.1000006.0000003.2700002.000000
max243.000000510.00000051.000000350.800000165.00000059.640000363.700000170.00000030.910000395.000000175.00000017.77000020.00000020.0000005.4000009.000000

4.2 探索性数据分析

  • Step1.特征自己的信息
#我们先来看一下流失比例， 以及关于打客户电话的个数分布
import matplotlib.pyplot as plt # 仿真
%matplotlib inline

fig = plt.figure()
fig.set(alpha=0.3)  # 设定图表颜色alpha参数
plt.subplot2grid((1,2),(0,0))# 图像几行几列，从第0行第0列，

# bar:条形直方图
churn_df['Churn?'].value_counts().plot(kind='bar') #把用户是否流失分组起来，流失的有多少人，没有流失的有多少人
plt.title("stat for churn") # 设置标签/label
plt.ylabel("number")  #流失与否的数量，一共3333行，没有流失的约占2700 ，流失的占500左右

plt.subplot2grid((1,2),(0,1))            
churn_df[u'CustServ Calls'].value_counts().plot(kind='bar') # 客服电话， 客户打电话投诉多那流失率可能会大
plt.title("stat for cusServCalls") # 标题
plt.ylabel(u"number") #客户打1个客服电话的有1400个左右，客户.....总计加起来有3333个 

plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NjLJqJ6G-1595857483349)(output_13_0.png)]

import matplotlib.pyplot as plt

%matplotlib inline
fig = plt.figure()
fig.set(alpha=0.2)  # 设定图表颜色alpha参数

plt.subplot2grid((1,3),(0,0)) # 在一张大图里分列几个小图
churn_df['Day Mins'].plot(kind='kde') # 白天通话分钟数，图用的kde的图例
plt.xlabel(u"Mins")# 横轴是分钟数
plt.ylabel(u"density")  # density：密度
plt.title(u"dis for day mins") #标题



plt.subplot2grid((1,3),(0,1))            
churn_df['Day Calls'].plot(kind='kde')# 白天打电话个数
plt.xlabel(u"call")# 客户打电话个数
plt.ylabel(u"density") #密度
plt.title(u"dis for day calls") #标题

plt.subplot2grid((1,3),(0,2))           
churn_df['Day Charge'].plot(kind='kde') # 白天收费情况
plt.xlabel(u"Charge")# 横轴是白天收费情况
plt.ylabel(u"density") #密度
plt.title(u"dis for day charge")

plt.show()

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Dl1d9usG-1595857483351)(output_14_0.png)]

  • Step.2 特征和分类的关联
#import matplotlib.pyplot as plt

fig = plt.figure()
fig.set(alpha=0.2)  # 设定图表颜色alpha参数

#查看流失与国际漫游之间的关系
int_yes = churn_df['Churn?'][churn_df['Int\'l Plan'] == 'yes'].value_counts() # 分组，yes:参与了有国际漫游需求的统计出来
int_no = churn_df['Churn?'][churn_df['Int\'l Plan'] == 'no'].value_counts() #分组：no:没有参与国际漫游的统计出来

#用DataFrame做图例上的标签 ，在右上角
df_int=pd.DataFrame({u'int plan':int_yes, u'no int plan':int_no})

df_int.plot(kind='bar', stacked=True)
plt.title(u"statistic between int plan and churn")
plt.xlabel(u"int or not") 
plt.ylabel(u"number")

plt.show()

# 下图中，原始数据有3333行，False：对于没有流失的用户中，有2700个，其中参与了有100个左右，没有参与的2600多个
#True：对于真正流失的用户有400个左右，参与了国际漫游的有100个，没有参与漫游的用300个
#结论：有国际电话的流失比例较高

<Figure size 432x288 with 0 Axes>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-LjLY7AK4-1595857483352)(output_16_1.png)]

#查看客户服务电话和结果的关联
fig = plt.figure()
fig.set(alpha=0.2) # 设定图表颜色alpha参数

cus_0 = churn_df['CustServ Calls'][churn_df['Churn?'] == 'False.'].value_counts()#没有用户流失的电话数
cus_1 = churn_df['CustServ Calls'][churn_df['Churn?'] == 'True.'].value_counts()#有用户流失的电话数

df=pd.DataFrame({u'churn':cus_1, u'retain':cus_0})
df.plot(kind='bar', stacked=True)
plt.title(u"Static between customer service call and churn")
plt.xlabel(u"Call service") # 打电话的数量
plt.ylabel(u"Num")  #流失与不流失的总数

plt.show()

# 在打3次客服电话的时候有400多人，其中没有流失的有300，流失了有100人
# 在打4次客服电话的时候有180人，其中没有流失的有80人，流失的有100人

<Figure size 432x288 with 0 Axes>

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-7K4w6mAn-1595857483354)(output_17_1.png)]

4.3 特征筛选

# 对于标签数据需要整合
ds_result = churn_df['Churn?']

#shift+tab:condition是布尔类型的数组，每个条件都和x ,y 对应

#相当于流失了/True为1 ，没有流失/False为0
Y = np.where(ds_result == 'True.',1,0) 
# 哑变量 == 读热编码
dummies_int = pd.get_dummies(churn_df['Int\'l Plan'], prefix='_int\'l Plan') #prefix：前缀
# VMail Plan：某个策划活动  prefix：前缀
dummies_voice = pd.get_dummies(churn_df['VMail Plan'], prefix='VMail')

#concat：用来合并2个或者2个以上的数组
ds_tmp=pd.concat([churn_df, dummies_int, dummies_voice], axis=1)

# 删除州名、地区编号、手机号、用户是否流失、各种策略活动
to_drop = ['State','Area Code','Phone','Churn?', 'Int\'l Plan', 'VMail Plan']
df = ds_tmp.drop(to_drop,axis=1)

print("after convert ")
df.head(5)

after convert
Account LengthVMail MessageDay MinsDay CallsDay ChargeEve MinsEve CallsEve ChargeNight MinsNight CallsNight ChargeIntl MinsIntl CallsIntl ChargeCustServ Calls_int'l Plan_no_int'l Plan_yesVMail_noVMail_yes
012825265.111045.07197.49916.78244.79111.0110.032.7011001
110726161.612327.47195.510316.62254.410311.4513.733.7011001
21370243.411441.38121.211010.30162.61047.3212.253.2901010
3840299.47150.9061.9885.26196.9898.866.671.7820110
4750166.711328.34148.312212.61186.91218.4110.132.7330110

4.4 特征工程

  • 我们需要做一些scale的工作。 就是有些属性的scale 太大了。

  • 对于逻辑回归和梯度下降来说， 各个属性的scale 差距太大， 会对收敛速度有很大的影响。

  • 我们这里对所有的都做， 其实可以对一些突出的特征做这种处理。

#数量级不一样，，通过Scaler实现去量纲的影响
#在训练模型时之前经常要对数据进行数组转化，as_matrix()：把所有的特征都转化为np.float
X = df.as_matrix().astype(np.float)


from sklearn.preprocessing import StandardScaler # 标准化

scaler = StandardScaler()# 标准化

X = scaler.fit_transform(X)

print("Feature space holds %d observations and %d features" % X.shape) #  3333行 * 19列
print("---------------------------------")
print("Unique target labels:", np.unique(Y)) # 标签的唯一值
print("---------------------------------")
print(len(Y[Y==0])) # 没丢失的有2850
print("---------------------------------")
print(len(Y[Y==1])) # 丢失的有483

Feature space holds 3333 observations and 19 features
---------------------------------
Unique target labels: [0 1]
---------------------------------
2850
---------------------------------
483

# 整理好的数据拿过来
churn_result = churn_df['Churn?']
y = np.where(churn_result == 'True.',1,0)
to_drop = ['State','Area Code','Phone','Churn?']
churn_feat_space = churn_df.drop(to_drop,axis=1)
yes_no_cols = ["Int'l Plan","VMail Plan"]
churn_feat_space[yes_no_cols] = churn_feat_space[yes_no_cols] == 'yes'
features = churn_feat_space.columns
X = churn_feat_space.as_matrix().astype(np.float)
from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()
X = scaler.fit_transform(X)

print("Feature space holds %d observations and %d features" % X.shape)
print("---------------------------------")
print("Unique target labels:", np.unique(y))
print("---------------------------------")
print(X[0])#第1行
print("---------------------------------")
print(len(y[y == 0]))

Feature space holds 3333 observations and 17 features
---------------------------------
Unique target labels: [0 1]
---------------------------------
[ 0.67648946 -0.32758048  1.6170861   1.23488274  1.56676695  0.47664315
  1.56703625 -0.07060962 -0.05594035 -0.07042665  0.86674322 -0.46549436
  0.86602851 -0.08500823 -0.60119509 -0.0856905  -0.42793202]
---------------------------------
2850

4.5 建立多种基础模型，尝试多种算法

# 手写一个交叉验证：调参
from sklearn.model_selection import KFold

def run_cv(X,y,clf_class,**kwargs):
    # Construct a kfolds object
    kf = KFold(5,shuffle=True) # 5折
    y_pred = y.copy() #把所有的标签y拿出来备份一下copy()

    # 一共是5份，每四份儿当做训练集 ，剩下的一份验证集
    for train_index, test_index in kf.split(X):
    
        X_train, X_test = X[train_index], X[test_index]
        y_train = y[train_index]
        # Initialize a classifier with key word arguments
        clf = clf_class(**kwargs)
        clf.fit(X_train,y_train)
        y_pred[test_index] = clf.predict(X_test)
    return y_pred

#手写的测试
from sklearn.svm import SVC
from sklearn.linear_model import LogisticRegression as LR
from sklearn.neighbors import KNeighborsClassifier as KNN

def accuracy(y_true,y_pred):
    # NumPy interprets True and False as 1. and 0.
    return np.mean(y_true == y_pred) # 相等为True ，不等为False ，  1+0+1+0.../3333

print("Support vector machines:")
print("%.3f" % accuracy(y, run_cv(X,y,SVC)))
print("----------------------------")
print("LogisticRegression :")
print("%.3f" % accuracy(y, run_cv(X,y,LR)))
print("----------------------------")
print("K-nearest-neighbors:")
print("%.3f" % accuracy(y, run_cv(X,y,KNN)))

Support vector machines:
0.917
----------------------------
LogisticRegression :
0.859
----------------------------
K-nearest-neighbors:
0.894

# 调入工具包
from sklearn.linear_model import LogisticRegression
from sklearn.svm import SVC
from sklearn.model_selection import cross_val_score,KFold
from sklearn.neighbors import KNeighborsClassifier 
import matplotlib.pyplot as plt


# 初始化模型
models = []
models.append(('KNN', KNeighborsClassifier()))


models.append(('LR', LogisticRegression()))

models.append(('SVM', SVC()))

# 初始化
results = []
names = []
scoring = 'accuracy' # 准确率
for name, model in models:
    
    #random_state = 0 
    kfold = KFold(5,shuffle=True,random_state = 0) # 5折
    cv_results = cross_val_score(model, X, Y, cv=kfold)#scoring=scoring 默认为None
    results.append(cv_results)#交叉验证给的结果分
    names.append(name)
    #模型的标准差，体现模型的分值的波动，std越小越稳定
    msg = "%s: %f (%f)" % (name, cv_results.mean(), cv_results.std())
    print(msg)
    print("------------------------------")
# boxplot algorithm comparison
fig = plt.figure()
fig.suptitle('Algorithm Comparison')
ax = fig.add_subplot(111)

plt.boxplot(results)
ax.set_xticklabels(names)
plt.show()

# 总结：SVM的效果比较好

KNN: 0.894088 (0.009717)
------------------------------
LR: 0.861384 (0.015574)
------------------------------
SVM: 0.919288 (0.011112)
------------------------------

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-8Tvl4mJr-1595857483356)(output_27_1.png)]

4.6 模型调参/提升模型

  • 提升的部分， 如何使用提升算法。 比如随机森林
from sklearn.ensemble import RandomForestClassifier as RF
num_trees = 100
max_features = 3
kfold = KFold(n_splits=10, random_state=7)
model = RF(n_estimators=num_trees, max_features=max_features)
results = cross_val_score(model, X, Y, cv=kfold)
print(results.mean())

0.953197209185233

from sklearn.ensemble import GradientBoostingClassifier
seed = 7
num_trees = 100
kfold = KFold(n_splits=10, random_state=seed)

model = GradientBoostingClassifier(n_estimators=num_trees, random_state=seed)
results = cross_val_score(model, X, Y, cv=kfold)

print(results.mean())

0.9525966085846325

4.7 评估测试/结论汇报

def run_prob_cv(X, y, clf_class, **kwargs):
    kf = KFold(5,True)
    y_prob = np.zeros((len(y),2))
    for train_index, test_index in kf.split(X):
        X_train, X_test = X[train_index], X[test_index]
        y_train = y[train_index]
        clf = clf_class(**kwargs)
        clf.fit(X_train,y_train)
        y_prob[test_index] = clf.predict_proba(X_test) #返回的是概率值 ，属于0的概率多少，属于1的概率是多少
    return y_prob

import warnings
warnings.filterwarnings('ignore')


pred_prob = run_prob_cv(X, y, RF, n_estimators=10)

pred_churn = pred_prob[:,1]#只要属于1的概率是多少 ，因为咱们关注的是流失的
is_churn = y == 1


counts = pd.value_counts(pred_churn) # 属于1的概率多少进行分组统计 ， 即：pred_prob	count



true_prob = {}
for prob in counts.index:
    true_prob[prob] = np.mean(is_churn[pred_churn == prob]) 
    true_prob = pd.Series(true_prob)


counts = pd.concat([counts,true_prob], axis=1).reset_index()
counts.columns = ['pred_prob', 'count', 'true_prob']
counts
pred_probcounttrue_prob
00.017810.026390
10.16740.031157
20.22610.034483
30.31240.145161
40.8860.941860
50.7740.878378
60.9720.972222
70.4690.347826
80.5650.569231
90.6640.750000
101.0631.000000
––
关注
专栏目录
支持向量机 实战电信运营商 -客户流失预警
qq_45531594的博客
09-09 604
python 里面zip() 函数的用法
python数据分析实例：客户流失预警模型
weixin_45941936的博客
09-13 3310
python数据分析实例：客户流失预警模型 客户流失是电信行业最重要的服务方面之一。客户流失的广义说法是因为客户自己或运营商违反服务协议而终止客户服务的行为。 流失预测流程一共分为四个步骤，分别为（1）数据预处理（2）特征选择（3）模型选择（4）模型评估 1. 数据理解 数据取自于kaggle平台分享的数据集，共有21个字段7043条记录。 数据主要包括影响客户流失的各种因素（性别、是否为老年人、客户是否有合作伙伴、客户是否有依赖关系、客户在公司停留的月数、客户是否有电话服务、客户是否有多条线路、客户的互联
数据挖掘实战：2万字深度分析《电信用户流失预测模型》
Oner.wv的专栏
07-06 4324
1.研究背景1、做好用户流失预测可以降低营销成本。老生常谈，新客户开发成本是老客户维护成本的5倍。2、获得更好的用户体验。并不是所有的增值服务都可以有效留住客户。3、获得更高的销售回报。价...
移动通讯行业客户流失预警研究
xiangluping的专栏
06-12 603
客户流失问题是现在通讯行业比较关注的一个问题，也是在电信行业中挖掘中最基本的案例，在我做的EDW海外项目中，在挖掘部分就有该部分，但是我们的做的那部分的复杂度要大于我转载的文章，对于学习来说，转载的这篇更具有学习的模板性。  这篇文章简单构建一个综合的客户流失预警体系，能够快速、高效并且运用较低的成本去识别高风险流失客户预警模型（由于版权的问题，只能链接转载，不能直接copy，所以请大家移步...
运营商客户流失预警建模与精准挽留
AI学习笔记
05-19 539
客户流失属于流程类的项目 客户流失分析建模 功能实现框架流程 spass,spark,都可以做评估分类 相对来说，提高查全率 选分类
数据挖掘在行业的应用
caodaoxi的专栏
03-29 447
1、离网客户预测分析 客户流失是电信行业普遍面临的业务问题，尤其是在市场成熟期的时候，竞争异常激烈，市场的渗透比率很高，以至于通信公司必须从他的竞争对手处“”客户，另一方面，通信公司的客户也被他的竞争对手“”。当被“”的客户的数字很高的时候就成为严重的流失问题。 离网客户预测分析就是针对以上问题，建立离网客户预测模型并且产生最可能离网的客户名单，结合每个客户的价值评分，协助通信公司采取合适的客...
基于数据挖掘技术的客户流失预警模型.pdf
07-14
客户流失预警模型是一种利用数据挖掘技术分析客户行为，预测并提前发现有流失风险的客户的工具。该模型对于电信企业来说尤为重要，因为客户流失会导致企业利润的减少，而通过预警模型可以降低客户流失率，提升企业的...
人工智能-项目实践-数据预处理-基于真实业务上手数据挖掘（银行流失预警）:数据的处理、LightGBM、skLearning包
03-02
基于真实业务上手数据挖掘（银行流失预警）：数据的处理、LightGBM、sklearn包（里面含有：GridSearchCV寻找最优参、StratifiedKFold分层5折切分、train_test_split单次数据切分等）、stacking模型融合、画AUC图、画...
数据挖掘技术在电信客户流失预警系统中的研究.pdf
07-14
数据挖掘技术之所以能够在电信客户流失预警中发挥关键作用，是因为它能够通过分析历史数据来预测客户流失的可能性，进而帮助企业制定更为精准的营销策略和挽留措施。在实施数据挖掘项目的过程中，首先需要进行业务...
基于数据挖掘的手机客户流失预警系统.pdf
07-14
这一问题已成为电信运营商的共同难题，特别是优质客户的流失，不仅会增加运营商的运营成本，还会导致企业收益的下降。因此，如何有效预测并预防客户流失，成为电信运营商迫切需要解决的问题。 客户流失预警系统是...
vmail-visa-开源
05-01
解析PPDragon拒绝日志以查找假阳性的未知主机（很可能是配置错误的电子邮件服务器）并将其列入白名单。 它还根据非常简单的测试，建立带有已确认垃圾邮件来源的黑名单表。
对于电信用户流失的预测
veGeta6le的博客
07-26 719
21列原始属性中，除了最后一列Churn表示该数据集的目标变量（即标签列）外，其余20列按照原始数据集中的排列顺序刚好可以分为三类特征群： 客户的基本信息、开通业务信息、签署的合约信息。电信用户流失预测中，运营商最为关心的是客户的召回率，即在真正流失的样本中，我们预测到多少条样本。故其策略是宁可把未流失的客户预测为流失客户而进行多余的留客行为，也不漏掉任何一名真正流失的客户。很明显，召回率是运营商们关心的指标，即宁可把未流失的客户预测为流失客户而进行多余的留客行为，也不漏掉任何一名真正流失的客户。
【Paper Note】基于决策树算法的电信运营商客户流失预测
热门推荐
roguesir的博客
06-24 1万+
1.引言随着互联网业务的速发展，移动业务市场的客户流失预警成为每一个电信运营商重点关注的内容，在商务智能与机器学习快速发展的当下，运用数据挖掘的方法，实现对电信客户的挽留、转化、精准营销越来越彰显其商业价值。如何最大程度地挽留在网用户、吸取新客户，是电信企业最关注的问题之一。竞争对手的促销、公司资费软着陆措施的出台和政策法规的不断变化，影响了客户消费心理和消费行为，导致客户的流失特征不断发生变化。...
数据挖掘：电信客户价值分析
switch_mooood的博客
07-02 1309
电信行业是典型的数据密集型行业，只有正确地分析用户数据，发现更多商机，做出正确的决策，从而更好的向用户提供服务。电信行业的决策，在很大程度上依赖于客户的分类，针对不同类型的客户，实施相应的策略，从而获得客户的满意，征得客户的信任，把握真诚的客户群，最终是的企业自身获益。客户的分类依赖于客户价值的分析，本项目通过对客户价值的详细分析，并利用CFSFDP 聚类算法，对客户进行类型的划分，可以获知客户价值的大小，客户价值的类型，从而得到客户的分类。
电信用户分析
linhy_951206的博客
06-05 4868
分类变量分布 影响国内电话费用的因素 手机型号矩阵分析 套餐矩阵分析
Python数据分析与机器学习49-用户流失预警
只是甲的博客
08-08 1119
python 数据分析 机器学习 用户流失预警 python机器学习实战项目
【python】python商业客户流失数据模型训练分析可视化（源码+数据集+课程论文）【独一无二】
最新发布
测试开发自动化
06-08 993
👉博__主👈：米码收割机👉技__能👈：C++/Python语言👉公众号👈：测试开发自动化【获取源码+商业合作】👉荣__誉👈：阿里云博客专家博主、51CTO技术博主👉专__注👈：专注主流机器人、人工智能等相关领域的开发、测试技术。
基于分类模型研究电信客户流失问题
weixin_45753078的博客
03-22 1230
要求是从键盘获取n个人的税前月收入
对电信用户流失的逻辑斯提回归分析
lisenpy的博客
02-20 256
import numpy as np import pandas as pd import seaborn as sns import matplotlib.pyplot as plt import statsmodels.api as sm import statsmodels.formula.api as smf # 将数据读入pandas churn = pd.read_csv('churn.csv', sep=',', header=0) churn.columns = [heading.low
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值