该数据集包含1个文件： WA_Fn-UseC_-Telco-Customer-Churn.csv 包含客户注册的服务、账户信息、统计信息等，可以分析所有相关的客户数据并制定有针对性的客户保留计划

背景-问题陈述 对于信用卡公司而言，获取新客户是一个漫长而昂贵的过程。 因此，客户流失是金融公司的最大利益之一。 为了降低流失率，一种直接的解决方案是让那些预计会流失的客户吸引诱人的优惠，例如折扣，回扣或其他津贴。 任务 1-该项目的目标是训练ML分类器，该分类器可以帮助金融公司挑选出将来会流失的人。 由于搅动是罕见的事件，但它对财务造成很大的影响，因此该模型应着重于降低召回率。 预测非搅动客户不会造成业务损失，但预测非搅动客户会造成伤害，因此应该避免。 2-模型完善后，导致客户退出业务的最重要功能将被隔离。 这些功能将帮助金融公司确定目标客户。 EDA 该数据集可在kaggle（ ）上找到。 它由10127个客户和18个功能部件组成，并为该类（当前客户，搅动客户）提供一列。 超出预期分布的数字如前所述，流失的客户数量大大少于没有流失的客户数量。 造型

电信客户流失分析：EDA和分类模型 安德鲁·科尔 请参考下面的链接以获取详细的博客文章，以分析整个过程： 探索性数据分析： : 建立Logistic回归模型： ： 项目概况 在商业世界中，客户为王。 了解客户至关重要，了解他们的行为模式会导致非常有影响力的业务决策。 客户流失率是商业客户离开商业业务/平台并将其资金转移到其他地方的比率，而了解潜在的客户模式将极大地影响企业保留其客户的能力。 作为试图进入专业领域的数据研究人员，我认为有必要更好地了解这些流失数据功能的外观以及如何使用它们来了解客户。 在该存储库中，我将利用电信公司（Telco）的客户数据集执行非常详细的探索性数据分析，以深入了解我们数据中存在的任何模式或趋势。 其次，我将处理数据并建立一系列二进制结果分类模型，这些模型将试图有效地预测客户是否会从电信平台流失。 数据 数据来自Kaggle（ ）。 我们的数据集

Customer_churn_prediction:机器学习项目

流失预测 使用人工神经网络的客户流失预测 问题陈述 任务是预测某个客户是否会放弃公司。 也就是说，要预测“客户流失”属性。 通常，为每个客户国家/地区提供的信息帐户长度区号电话国际计划VMail计划VMail消息日间日间通话日间收费夏娃·明斯平安夜电话夏娃冲锋夜分钟夜间通话夜间收费国际分钟国际通话国际收费客户服务电话搅拌？ 内容 数据探索 数据预处理 训练模式 可视化模型

WA_Fn-UseC_-Telco-Customer-Churn-数据集

客户流失项目 使用电信客户流失数据确定功能重要性 杰夫·斯帕格诺拉 笔记： 该自述文件正在进行中，将很快完成。 介绍 客户流失是任何业务的主要关注点。 在当今世界，客户比以往任何时候都更加了解信息，并且只需在移动设备上轻按几下即可找到各种服务的优惠和促销。 使用有针对性的社交媒体广告，他们甚至不必这样做！ 当客户管理中的任何失误都可以使忠诚的客户跳船寻求其他地方的更好报价时，仅凭这一事实就比以往更难创建长期客户。 在电信市场竞争如此激烈的情况下，许多公司遇到客户流失给竞争公司的问题也就不足为奇了。 通常，并非100％清楚为什么这些客户放弃了他们目前的提供商而去了另一家。 在这个项目中，我们将使用数据分析和机器学习来找出哪些因素最会影响客户决定将其服务提供商移交给竞争对手的决定。 获得 数据来自Kaggle的Churn In Telecom数据集。 关于Kaggle的信息不多于数据

对于公司来说，要想实现持续发展，准确预测客户流失至关重要。 先前的研究已经使用许多机器学习方法来预测客户流失。 通用模型无法充分利用时间序列功能。 为了克服这个缺点，我们提出了一个基于LSTM和CNN的模型，该模型在LSTM层和卷积层之间具有跨层连接。 该模型可以同时学习潜在的顺序信息，并从时间序列特征中捕获重要的局部特征。 此外，我们介绍了一种通过在现有特征上训练XGBoost模型来构造新特征的方法。 在真实数据集上的实验结果表明，我们提出的模型比其他比较模型具有更好的性能。

Customer_Churn_PySpark 根据客户使用的电信服务预测客户流失。

项目：关于kaggle竞争的客户流失预测2020 是关于预测客户是否会改变电信提供商，这被称为“搅动”。 动机 客户流失是业务分析和业务关键目标中最重要的领域之一。专注于留住现有客户比收购新客户更容易且成本更低。将客户保留率提高几个百分点可以显着提高利润。预测客户流失将有助于企业保留现有客户，并扩大潜在客户的识别范围。流失管理的核心在于能够识别潜在磨耗者的预警信号。机器学习将提供一种解决方案，并且企业将采取积极行动阻止这种情况的发生。 该项目的目的 资料详情 领域 探索数据 清洁数据和功能工程 建模与评估 比赛和最终成绩 挑战与增强 该项目的报告 文件和文件夹的详细信息和结构 资料夹 原始数据集和清理的数据集。 使用图片 存储已转换的XGB模型。 Jupyternotebooks用于数据可视化，清洁数据，EDA，建模和车削。 实用程序，用于 用于程序 档案文件 项目调查结果 软件要求