Introductie

Wat is Churn-analyse? En hoe zetten telecommunicatiebedrijven deze analyse effectief in in de dagelijkse praktijk? Leer van de branche-expert Sakshi Gujral die u door alle essentiële details zal leiden en u enkele tips zal geven voor het verbeteren van de resultaten van de churn-analyse bij praktisch gebruik. 

[Ingesloten inhoud]

Over Spreker: Sakshi Gujral werkt momenteel als Data Scientist bij Concentrix. Ze streeft ook naar haar Ph.D. van IIIT-Delhi. Sakshi is een GATE Scholar en UGC-NET qualifier, en een alumnus van de Defense Research Development Organization. Ze heeft 5 jaar ervaring in industrieën zoals TCS en Genpact, waar ze datawetenschapsproblemen op het gebied van financiën, gezondheidszorg en telecommunicatie oplost. Sakshi heeft onderzoekswerk gedaan op het gebied van Machine Learning, NLP, Internet of Things.

Maak contact met Sakshi op Linkedin.

Inhoudsopgave

1. Churn Analytics: Telecommunicatie-industrieën
2. Wat is Churn-analyse?
3. Data Science en Analytics gebruiken om de churn te analyseren
4. Uitgebreide verkennende data-analyse
5. Dataset-discussie
6. Hands-on Python-notebook
7. Conclusie

Churn Analytics: Telecommunicatie-industrieën

Klantenbehoud is belangrijk voor bedrijven om hun groei en effectieve werkstrategieën te analyseren. In dit DataHour bespreekt Sakshi factoren die de verslechtering van het bedrijf als gevolg van klantverloop bepalen, met name in telco's.

Wat is Churn-analyse?

Om het in eenvoudige bewoordingen te begrijpen, stel dat er een jongen was genaamd Rahul die vroeger boodschappen deed in winkels. Maar tegenwoordig bestelt Rahul zijn boodschappen bij online winkels. Rahul verschoof van winkels naar online winkels. Daarom is Rahul de "Churn" voor winkels. Wanneer een persoon die een dienst van bedrijf X gebruikt plotseling stopt met het gebruik ervan en overstapt naar een ander dienstverlenend bedrijf Y, dan wordt die persoon Churn genoemd voor bedrijf X. Redenen kunnen zijn meer voordelen, betere opties, toegankelijke klantenservice en nog veel meer. meer. Churn-analytics helpen al deze problemen te bepalen.

Wanneer een bedrijf hoog staat verloopanalyses tarieven, waarna uiteindelijk de omzet van het bedrijf afneemt. Het heeft ook invloed op de marktwaarde van het bedrijf. Hierdoor verliest een bedrijf zijn merkwaarde, wat de belangrijkste reden is voor de ontslagen.

In de afgelopen paar jaar is het u opgevallen dat miljoenen mensen zijn overgestapt naar een bepaald telecommunicatiebedrijf omdat het gratis data- en beldiensten leverde. Vanwege de eenvoudige online toepassing en levering van simkaarten aan de deur, dragen mensen vaak hun serviceprovider over voor betere ervaringen.

Daarom is het noodzakelijk om op uw churn-percentage te letten om uw bedrijfsstrategie te verbeteren voordat u failliet gaat.

Er zijn maar weinig bedrijven waar churn-analyses de enorme impact laten zien, zijn telecommunicatie, gamingindustrie, lokale winkels, restaurants, Banken, winkelcentra, enz.

Data Science en Analytics gebruiken om de churn te analyseren

Nu zullen we dit probleem begrijpen vanuit het perspectief van datawetenschap en analyse.

1. Aanschaf en begrip van datasets: Ten eerste hebben we de volledige gegevens nodig in een gedigitaliseerde vorm met alle functies die helpen bij het analyseren van het klantverloop. Hiervoor gebruiken we python-code met een standaard dataset, die u zal helpen om een ​​overzicht te krijgen van hoe uw chunk-gegevens eruit moeten zien, vooral voor de telecommunicatiesector.
2. Gegevens in verrijking en voorbereiding: In real-time scenario's ontvangt u de gegevens altijd in een zeer rommelige vorm. Dus eerst moet je het verrijken en voorbereiden zodat we het gemakkelijk kunnen begrijpen.
3. Verkennende gegevensanalyse: Analyse betekent het vinden van de verborgen trends in de gegevens.
4. Omgaan met onbalans in dataset: Vaak zien we een onbalans in de dataset; het kan voorkomen vanwege de bevooroordeelde aard van een bepaalde klantenklasse of -groep.
5. Modellering uitvoeren: We zullen machine learning en deep learning-modellering gebruiken voor een beter begrip.
6. Resultaten evalueren en analyseren: Aan het einde zullen we onze bevindingen uit de bovenstaande processen evalueren.

Beschrijving gegevensset: De dataset die we in dit project zullen gebruiken, is de "IBM Telco Churn Dataset". Het heeft 33 (onafhankelijke variabelen) die de kenmerken van klanten van een fictief telecommunicatiebedrijf aangeven. De churn-kolom (responsvariabele) geeft aan of de klant de afgelopen maanden is vertrokken. De klasse 'NEE' geeft de klanten aan die het bedrijf de afgelopen maanden niet hebben verlaten. De klasse 'JA' geeft de klanten aan die de afgelopen maanden het bedrijf hebben verlaten.

Hieronder staat het python-notitieboekje dat Sakshi heeft voorbereid voor het project van vandaag. Hier is Telco Churn Excel; je ziet 33 kolommen.

 Hieronder is de foto van alle kolommen op naam. We zullen ze afzonderlijk begrijpen. Al deze verschillende parameters zullen ons helpen de churn te begrijpen.

Nu is de doelkolom voor ons het "Churn-label", zoals weergegeven in de onderstaande schermafbeelding. Het is JA of NEE, zoals eerder beschreven. 

 In het onderstaande cirkeldiagram kunnen we duidelijk zien dat de dataset neigt naar "JA". Het is dus belangrijk om hier met de klassenonbalans om te gaan. We krijgen hier hulp van SMOTE. SMOTE is een 'Synthetic Minority Oversampling Technique' die helpt bij het omgaan met onevenwichtige datasets. Dus uit de originele datasets hebben we nog een paar voorbeelden gegenereerd.

 Uitgebreide verkennende data-analyse

In de python-notebook helpen de verborgen trends die al in de gegevens aanwezig zijn, om te beslissen welk type machine learning-model we in een later stadium moeten toepassen.

Hieronder staan ​​de punten waar we in dit project naar gaan kijken.

Nu gaan we de data verrijken om machine learning-modellen toe te passen. We hebben een combinatie van categorische en zwevende kolommen toegepast; we moeten ze in een zodanig formaat maken dat onze machine learning-algoritmen ze snel kunnen verwerken. Na voorbewerking hebben we enkele statistische gegevens eruit gehaald, zoals gemiddelde en standaarddeviatie. In de laatste 2 kolommen zie je 'CLTV' (klanten blijven langer vast) en 'verloopreden', die erg belangrijk zijn. Dus op deze tekstgegevens heb ik MP toegepast om de trends te vinden waardoor klanten naar een ander bedrijf verhuizen. We kunnen ook de gegevens van andere bedrijven analyseren en ons product zo ontwerpen dat klanten in de toekomst niet meer weggaan.

 Hieronder is de correlatie; u kunt duidelijk zien dat sterk gecorreleerde variabelen dicht bij 1 liggen. De 'Totale Kosten' is bijvoorbeeld 0.93, wat aangeeft dat als de servicekosten zakvriendelijk zijn, klanten voor een langere periode zullen blijven. 

 Met de onderstaande code zullen we de distributie bestuderen, wat erg belangrijk is bij elk machine-learningprobleem. Het helpt ons om te beslissen welk algoritme we gaan gebruiken.

Nu moeten we de medische en categorische waarden scheiden. Hieronder zie je duidelijk het karnende deel in termen van geslachtsverdeling. We kunnen concluderen dat karnen qua geslacht niet veel uitmaakt.

In de onderstaande grafiek kunnen we zien dat klanten die plannen voor langere perioden hebben genomen, meer retentie vertonen. Voor hen is de churn rate veel lager.

Hieronder is een opwindende grafiek die laat zien dat naarmate het dienstverband toeneemt, de kans op churn afneemt.

Door al deze grafieken proberen we erachter te komen welke factoren verantwoordelijk zijn voor meer opzeggingspercentages en welke niet. Zodat we kunnen werken aan de mazen in de wet om ons karnen te verminderen; we kunnen telecombedrijven bijvoorbeeld vertellen om uitgebreidere abonnementen met kortingen aan te bieden, zodat de churn rate daalt. 

Voor de laatste kolom, 'Churn Reason', zetten we alle klantteksten in de vorm van woordwolken waarvoor we een deel van NLP hebben toegepast. U kunt alle redenen zien die bijdragen aan karnen.

De grafiek toont de relatie tussen de churn-score met postcode, breedtegraad, lengtegraad, ambtstermijn, etc.

Resultaten: De schetsboekgrafiek hieronder toont de verdeling van 0 en 1 labels op testgegevens.

Conclusie

Door analyses toe te passen en de daaruit voortvloeiende inzichten te begrijpen, kunnen telecombedrijven werken aan het verbeteren van hun plannen en het terugdringen van klanten. Andere sectoren zoals hotels, winkels en winkelcentra kunnen deze methode ook gebruiken om te voorkomen dat hun klanten klanten worden.

Hieronder staan ​​onze afhaalrestaurants uit bovenstaande analyse.

1. Elektronisch controlemedium is de grootste churner.
2. Maandelijkse klanten lopen sneller weg omdat ze kunnen verhuizen zonder contractvoorwaarden.
3. Klanten die online geen veiligheid voelen en geen Tech. Ondersteun de hoogste churn.
4. Niet-senioren zijn de grootste churners.

Hier is nog een interessant artikel: Voorspelling van klantverloop bij banken met behulp van machine learning.

De media die in dit artikel worden getoond, zijn geen eigendom van Analytics Vidhya en zijn afkomstig uit de presentatie van de presentator.

Verwant

• Door SEO aangedreven content en PR-distributie. Word vandaag nog versterkt.
• Platoblockchain. Web3 Metaverse Intelligentie. Kennis versterkt. Toegang hier.
• Bron: https://www.analyticsvidhya.com/blog/2023/01/understanding-churn-analytics-in-telecommunications-company/