Модель прогнозування відтоку клієнтів для телекомунікаційної компанії

Цей проєкт розроблено для передбачення ймовірності відтоку клієнтів у телекомунікаційній компанії. Інтерактивний інтерфейс створений на основі Streamlit([https://servicechurn.streamlit.app/]), що дозволяє легко взаємодіяти з моделлю та аналізувати результати.

Опис

Детальний опис проєкту:

• використання реальних даних для аналізу поведінки клієнтів;
• визначення ключових факторів, які впливають на ймовірність відтоку;
• побудова моделі машинного навчання для точного прогнозування;
• інтерактивний інтерфейс для завантаження нових даних та аналізу.

Вимоги до проєкту:

• опис аналізу та обробки даних;
• деталі моделі і обрані параметри;
• аналіз результатів, метрик;
• опис інтеграції та виведення результатів;
• процес контейнеризації та інструкції користування.

Технології

Проєкт реалізовано з використанням таких технологій:

• Python: основна мова програмування;
• Docker Compose: для спрощення процесу розгортання та управління проєктом у середовищі Docker.

Бібліотеки

• Pandas: для обробки даних;
• Numpy: для числових обчислень;
• Scikit-learn: для побудови та оцінки моделей машинного навчання;
• Matplotlib та Seaborn: для візуалізації даних;
• Streamlit: для створення інтерактивного інтерфейсу;
• Joblib: для ефективного серіалізування (збереження) та завантаження об'єктів Python.

Dataset

Для цього проєкту використовувався набір даних із такими характеристиками:

• https://www.kaggle.com/datasets/mehmetsabrikunt/internet-service-churn;
• формат: .csv;
• містить такі ключові стовпці: churn, subscription_age, bill_avg, download_avg, тощо.

Датасет складається з 72275 рядків та 11 стовпців.

id: унікальний ідентифікатор абонента;

is_tv_subscriber: чи є у клієнта є підписка на телебачення?;

is_movie_package_subscriber: чи є підписка на кінопакети?;

subscription_age: скільки років клієнт користується нашими послугами?;

bill_avg: середній рахунок за останні 3 місяці;

reamining_contract: скільки років залишилося до закінчення контракту користувача. Якщо null - клієнт не мав контракту. Клієнт, який має контрактний час, повинен користуватися послугою до кінця контракту. Якщо він відмовляється від послуги до закінчення контракту, він сплачує штрафний тариф. Є два способи, якими клієнт може користуватися послугами. Один - за допомогою контракту з обмеженим терміном дії, який коштує дешевше, а інший - за допомогою звичайної щомісячної підписки, яка, очевидно, коштує дорожче. Отже, навіть якщо людина не має контракту, вона все одно є користувачем, який сплачує щомісячні платежі;

service_failure_coun: кількість звернень клієнтів до колл-центру через збій обслуговування за останні 3 місяці;

download_avg: використання Інтернету за останні 3 місяці (ГБ);

upload_avg: середнє завантаження за останні 3 місяці (ГБ);

download_over_limit: більшість клієнтів мають обмеження на завантаження. Якщо вони досягають цього ліміту, вони повинні заплатити за це. Ця колонка містить «перевищення ліміту» за останні 9 місяців;

churn: відтік клієнта. Це цільова колонка, якщо 1 - клієнт скасував свою послугу.

Модель

• В проекті було випробувано такі моделі як: LogisticRegression, RandomForestClassifier та SVM.
• Для підбору найкращих гіперпараметрів використовувався: GridSearchCV.
• Найкращою моделлю виявилась модель RandomForestClassifier з результатом:
  • precision для 0 - 0.92, для 1 - 0.96
  • recall для 0 - 0.95, для 1 - 0.94
  • f1-score для 0 - 0.93, для 1 - 0.95
  • accuracy 0.94
• Найкращі параметри які підібрав GridSearchCV для RandomForestClassifier:
  • 'class_weight': 'balanced'
  • 'max_depth': None
  • 'max_features': 'log2'
  • 'min_samples_leaf': 1
  • 'min_samples_split': 5
  • 'n_estimators': 80

Запуск локально

1. Клонування репозиторію:

git clone https://github.com/MariiaSam/service_churn.git
cd service_chur

2. Налаштування середовища за допомогою Poetry:

Встановіть залежності проєкту:

poetry install

Для активації віртуального середовища необхідно виконати команду:

poetry shell

Щоб додати до проекту залежність, необхідно виконати команду

poetry add <назва_пакету>

Для підтягування існуючих залежностей:

poetry install

Використання

Запустіть Streamlit-додаток командою:

streamlit run app.py

Docker

Цей проєкт також підтримує Docker-контейнеризацію, що дозволяє легко запускати додаток без необхідності налаштовувати середовище вручну.

Запуск за допомогою Docker:

1. Запуск проекту за допомогою Docker Compose

У кореневій директорії проекту виконайте команду:

docker compose up

2. Доступ до додатку:

Після успішного запуску додаток буде доступний за адресою:

http://localhost:8501

3. Зупинка проекту:

Щоб зупинити проект, виконайте:

docker compose down

Ця команда зупинить усі сервіси та видалить створені контейнери.