Principes de la prédiction du churn

Machine Learning pour le marketing en Python

Karolis Urbonas

Head of Analytics & Science, Amazon

Qu'est-ce que le churn ?

  • Le churn survient quand un client cesse d'acheter / de s'engager
  • Le contexte métier peut être contractuel ou non contractuel
  • Le churn peut être volontaire ou involontaire
Machine Learning pour le marketing en Python

Types de churn

La typologie principale du churn repose sur deux modèles économiques :

  • Contractuel (abonnement téléphonique, abonnement TV en streaming)

Contenu

  • Non contractuel (courses alimentaires, achats en ligne)

Courses

Machine Learning pour le marketing en Python

Modéliser différents types de churn

En général :

  • Le churn non contractuel est plus difficile à définir et à modéliser, faute de décision explicite du client
  • Nous modéliserons le churn contractuel dans le modèle télécom
Machine Learning pour le marketing en Python

Encoder le churn

  • Généralement 1/0, avec 1 = Churn, 0 = Pas de churn
  • Peut être une chaîne Churn/No Churn ou Yes/No ; bonne pratique : convertir en 1 et 0
    set(telcom['Churn'])

{0, 1}
Machine Learning pour le marketing en Python

Explorer la distribution du churn

telcom.groupby(['Churn']).size() / telcom.shape[0] * 100

Churn
0    73.421502
1    26.578498
dtype: float64
Machine Learning pour le marketing en Python

Fractionner en données d'entraînement et de test

from sklearn.model_selection import train_test_split
train, test = train_test_split(telcom, test_size = .25)
Machine Learning pour le marketing en Python

Séparer variables explicatives et cible

Séparer les noms de colonnes par types de données

target  = ['Churn']
custid  = ['customerID']
cols    = [col for col in telcom.columns if col not in custid + target]

Constituer les jeux d'entraînement et de test

train_X = train[cols]
train_Y = train[target]
test_X  = test[cols]
test_Y  = test[target]
Machine Learning pour le marketing en Python

Passons à la pratique !

Machine Learning pour le marketing en Python

Preparing Video For Download...