Imisau/Customer-Churn-Prediction-And-Retention-Analysis

# 客户流失预测与留存分析 # 简介 本项目利用历史客户和定价数据分析客户流失，旨在找出影响客户流失的因素，并开发一个预测性机器学习模型以实现早期流失检测。通过使用 Python、探索性数据分析 (EDA)、特征工程以及 Random Forest 分类器，该项目提供了具有可操作性的洞察，帮助企业提高客户留存率并减少收入损失。 # 业务问题 客户流失是基于订阅业务面临的主要挑战，直接影响收入增长和客户终身价值。由于不了解客户离开的原因，企业难以实施有效的留存策略。 本项目通过分析客户行为、定价和消费模式，来识别最有可能流失的客户，并推荐有针对性的留存策略。 # 业务目标 - 衡量整体客户流失率。 - 识别导致客户流失的关键因素。 - 构建用于预测客户流失的机器学习模型。 - 使用分类指标评估模型性能。 - 提供具有可操作性的建议，以改善客户留存。 # 数据集概览 | 指标 | 数值 | | ---------------- | --------------------: | | 客户记录 | 14,606 | | 流失率 | 9.7% | | 数据来源 | 客户与定价数据 | | 目标变量 | 流失 | # 工具与技术 | 类别 | 工具 | | ---------------- | ------------------------ | | 编程 | Python | | 数据分析 | Pandas, NumPy | | 可视化 | Matplotlib, Seaborn | | 机器学习 | Scikit-learn | | 模型 | Random Forest Classifier | | 笔记本 | Jupyter | # 项目流程 客户数据 │ ▼ 数据清洗 │ ▼ 探索性数据分析 │ ▼ 特征工程 │ ▼ 模型开发 │ ▼ 模型评估 │ ▼ 业务建议 # 数据清洗 - 合并了客户和定价数据集。 - 移除了重复记录。 - 处理了缺失值。 - 转换了数据类型。 - 创建了分析特征。 # 探索性数据分析 分析了： - 客户流失分布 - 能源消耗 - 定价趋势 - 合同特征 - 客户任期 - 预测消耗 # 特征工程 创建的变量包括： - 价格差异 - 平均价格 - 消费趋势 - 合同期限 - 客户任期 # 机器学习 使用的模型： #### Random Forest 分类器 评估指标 - 准确率 (Accuracy) - 精确率 (Precision) - 召回率 (Recall) - F1 分数 (F1 Score) - 特征重要性     # 主要结果 | KPI | 结果 | | ------------------ | --------- | | 分析客户数 | 14,606 | | 流失率 | **9.7%** | | 模型准确率 | **90.3%** | | 精确率 | **78.3%** | # 关键洞察 1. 整体流失率低 只有 9.7% 的客户流失，表明客户留存率相对较高。 2. 定价影响流失 经历较大价格变动的客户，其离开的可能性会增加。 3. 消费模式至关重要 能源消耗较低且呈下降趋势与较高的流失风险相关。 4. 客户任期 新客户比长期客户更容易流失。 5. 合同特征 与合同相关的变量显著影响流失概率。 # 业务建议 - 在合同续订前识别高风险客户。 - 为经历显著价格上涨的客户提供有针对性的留存激励措施。 - 将能源消耗下降作为流失的早期信号进行监控。 - 优先在新客户的首年开展留存活动。 - 将预测性流失评分整合到 CRM 系统中，以支持主动的客户互动。 # 创造的业务价值 - 衡量了 14,606 名客户中 9.7% 的客户流失率。 - 构建了准确率达 90.3%、精确率达 78.3% 的 Random Forest 模型。 - 识别了导致流失的主要行为和定价驱动因素。 - 提供了具有可操作性的建议，以改善客户留存并支持数据驱动的决策。 # 仓库结构  # 展示的技能 - Python - Pandas - NumPy - Scikit-learn - 探索性数据分析 (EDA) - 特征工程 - 数据清洗 - 统计分析 - 机器学习 - 预测分析 - 商业智能 - 数据叙事 完整项目互动 [请点击这里](https://github.com/Imisau/Evaluation-and-Churn-/blob/main/BCG%20PYTHON1.ipynb)

标签：Apex, Python, 代码示例, 客户流失预测, 探索性数据分析(EDA), 数据分析, 无后门, 机器学习, 逆向工具, 随机森林