本文通过一个电信行业的案例，展示了如何利用Python进行数据建模，预测客户流失。通过对数据的理解、清洗、预处理，使用朴素贝叶斯算法得出最佳模型，发现老年用户、未婚且经济未独立的青少年用户更容易流失，而签约长期合同和提供网络服务能降低流失率。
原标题：一个完整的数据分析案例 | 用Python建立客户流失预测模型（含源数据+代码）
来源：数据分析不是个事儿
作者：启方
原文：
https://mp.weixin.qq.com/s/_20MN6V6aV1T3Ekd7C9neQ
客户流失是所有与消费者挂钩行业都会关注的点。因为发展一个新客户是需要一定成本的，一旦客户流失，成本浪费不说，挽回一个客户的成本更大。
今天分享一个用户流失预测，以电信行业为例。
所以，电信行业在竞争日益激烈当下，如何挽留更多用户成为一项关键业务指标。为了更好运营用户，这就要求要了解流失用户的特征，分析流失原因，预测用户流失，确定挽留目标用户并制定有效方案。
一、提出问题
1、哪些用户可能会流失?
2、流失概率更高的用户有什么共同特征？
二、理解数据
1、采集数据
本数据集来自DF ，数据源地址：
https://www.datafountain.cn/dataSets/35/details#
本数据集描述了电信用户是否流失以及其相关信息，共包含7044条数据，共20个字段，介绍下各个字段：
customerID ：用户ID。
gender：性别。（Female & Male）
SeniorCitizen ：老年人 （1表示是，0表示不是）
Partner ：是否有配偶 （Yes or No）
Dependents ：是否经济独立 （Yes or No）
tenure ：客户的职位（0-72，共73个职位）
PhoneService ：是否开通电话服务业务 （Yes or No）
MultipleLines：是否开通了多线业务（Yes 、No or No phoneservice 三种）
InternetService：是否开通互联网服务 （No, DSL数字网络，fiber optic光纤网络 三种）
OnlineSecurity：是否开通网络安全服务（Yes，No，No internetserive 三种）
OnlineBackup：是否开通在线备份业务（Yes，No，No internetserive 三种）
DeviceProtection：是否开通了设备保护业务（Yes，No，No internetserive 三种）
TechSupport：是否开通了技术支持服务（Yes，No，No internetserive 三种）
StreamingTV：是否开通网络电视（Yes，No，No internetserive 三种）
StreamingMovies：是否开通网络电影（Yes，No，No internetserive 三种）
Contract：签订合同方式 （按月，一年，两年）
PaperlessBilling：是否开通电子账单（Yes or No）
PaymentMethod：付款方式（bank transfer，credit card，electronic check，mailed check）
MonthlyCharges：月费用
TotalCharges：总费用
Churn：该用户是否流失（Y
最低0.47元/天 解锁文章
2762
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
