Маркетинговая аналитика. Прогноз оттока клиентов в Python
Отток – это ситуация, когда клиент перестает вести бизнес или прекращает отношения с компанией.
Преподаватель
Михаил Омельченко
Программист с многолетним опытом. Пишу на Python, Javascript, Typescript и руковожу командами разработчиков. Основатель youtube канал Django School. Стал ментором для десятков учеников и разработал платформу colabteam.dev
4часа
13видео
32упражнения
3550опыта
Описание курсаОтток – это ситуация, когда клиент перестает вести бизнес или прекращает отношения с компанией. Это распространенная проблема в различных отраслях, от телекоммуникаций до кабельного телевидения. Компания, которая может предсказать отток, может принять опережающие меры, чтобы удержать ценных клиентов и опередить конкурентов. Этот курс предоставит дорожную карту для создания собственных моделей оттока клиентов. Узнаете, как исследовать и визуализировать данные, готовить их к моделированию, строить прогнозы с помощью машинного обучения и доносить важные и полезные выводы до заинтересованных сторон. К концу курса вы будете уверенно использовать библиотеку pandas для анализа данных и библиотеку scikit-learn для машинного обучения.
1. Исследовательский анализ данных
В этой части курса начнем изучать датасет, используя pandas для вычисления сводной статистики и Seaborn для создания привлекательных визуализаций.2. Предварительная обработка для моделирования оттока
После изучения данных пришло время их предварительной обработки и подготовки для машинного обучения. В этой части курса узнаете, что нужно делать для предварительной обработки данных, включая выбор признаков и их создание.3. Прогнозирование оттока
Когда данные предварительно обработаны и готовы к машинному обучению, наступает время для прогнозирования оттока! В этой части курса вы узнаете, как строить модели машинного обучения на Python с помощью scikit-learn.Создание прогнозов
50
Прогнозирование оттока новых клиентов
100
Обучение очередной модели scikit-learn
100
Оценка эффективности модели
50
Создание обучающих и тестовых наборов
100
Проверка всех наборов
50
Точность вычислений
100
Метрики модели
50
Матрица ошибок
100
Изменение размера обучающего набора
100
Вычисление precision и recall
100
Другие метрики модели
50
ROC-кривая
100
Область под кривой
100
Кривая precision-recall
50
F1 score
100
4. Настройка модели
В этой части курса вы научитесь улучшать производительность моделей с помощью настройки гиперпараметров и сможете лучше понять факторы оттока клиентов, которые можно использовать в бизнесе.Настройка модели
50
Настройка множества характеристик
100
Настройка других гиперпараметров
100
Случайный поиск
100
Важность признаков
50
Визуализация важности признаков
100
Улучшение графика
100
Интерпретация важности признаков
50
Добавление новых признаков
50
Улучшается ли производительность модели
100
Вычисление других метрик
100
Заключение
50
