电信客户流失数据分析

研究背景

用户流失率的下降能够提高公司利润，了解用户倾向有利于提高用户黏性，延长用户生命周期。面对如今高昂的获客成本，也可以相对地降低营销投入，做到精准营销。

提出问题

1、流失客户有哪些显著性特征？
2、尝试找到合适的模型预测流失用户
3、针对性给出增加用户黏性、预防流失的建议

数据集描述

数据集来自DataFountain，该数据集有21个变量，7043个数据点，每条记录包含了唯一客户的特征。
用户属性
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 ：是否有家属 （Yes or No）
tenure ：客户存留时长（0-72个月）
服务需求
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）
交易倾向
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
研究对象
Churn：该用户是否流失（Yes or No）

#导入数据集
options(scipen = 200)
df <- read.csv("F:/telco-customer-churn/WA_Fn-UseC_-Telco-Customer-Churn.csv")`

特征工程

1、数据预处理

1.1、特征类型处理

#SeniorCitizen转换为因子变量
df <- within(df,{
   
  SeniorCitizen <- factor(SeniorCitizen,levels = c(0,1),labels = c("No","Yes"))
})

1.2、缺失值处理

colSums(is.na(df))
mean(is.na(df$TotalCharges))
library(VIM)
opar <- par(no.readonly = T)
par(cex=0.72,font.axis=3)
aggr(df,prop=T,numbers=T)
par(opar)
#只有TotalCharges列有11个缺失值，占比大约0.156%

hist(df$TotalCharges,breaks = 50,prob=T,main = "histogram of TotalCharges")
df$TotalCharges[is.na(df$TotalCharges)] <- median(df$TotalCharges,na.rm = T)

TotalCharges是数值型数据，从直方图可以看到该列数据是偏态分布。根据正态分布选均值、中位数填充，偏态分布选中位数填充的原则，我选择用TotalCharges列的中位数去填充这11个缺失值。

1.3、异常值处理

layout(matrix(c(1,2),1,2,byrow = T))
boxplot(df$MonthlyCharges,xlab="MonthlyCharges")
boxplot(df$TotalCharges,xlab="TotalCharges")

通过箱线图可以看到MonthlyCharges、TotalCharges两个特征无极端异常值，但总费用量纲差异大，对特征进行分箱离散化处理

library(Hmisc)
describe(df[c("MonthlyCharges","TotalCharges")])
#根据描述性统计量将变量按0.25,0.5,0.75分位数分成4份
c_u_t <- function(x,n=1) {
   
  result <- quantile(x,probs = seq(0,1,1/n))
  result[1] <- result[1]-0.001
  return(result)
}
df <- transform(df,
                MonthlyCharges_c = cut(df$MonthlyCharges,
                         breaks = c_u_t(df$MonthlyCharges,n=4),labels = c