Commencez à explorer l'ensemble de données Telco Churn avec pandas pour calculer des statistiques sommaires et Seaborn pour créer des visualisations attrayantes.

Bienvenue dans le cours

Définir l'attrition de la clientèle

Explorer l'attrition de la clientèle

Regrouper et résumer des données

Statistiques sommaires pour les deux classes

Attrition par État

Explorer vos données à l'aide de visualisations

Explorer la distribution des variables

Appels au service à la clientèle et désabonnement

Analyse exploratoire des données

Après avoir exploré vos données, il est temps de les prétraiter et de les préparer pour le Machine Learning. Découvrez le pourquoi, le quoi et le comment du prétraitement, y compris la sélection et l'ingénierie des caractéristiques.

Prétraitement des données

Repérer les variables à convertir

Encodage des variables binaires

Encodage one hot

Mise à l'échelle des variables

Sélection et ingénierie des caractéristiques

Supprimer les variables inutiles

Créer une nouvelle colonne

Prétraitement pour la modélisation de l'attrition

Vos données étant prétraitées et prêtes pour le Machine Learning, il est temps de prédire l'attrition ! Apprenez à construire des modèles d'apprentissage supervisé en Python avec scikit-learn.

Faire des prédictions

Prédire si un nouveau client se désabonnera

Entraîner un autre modèle scikit-learn

Évaluer la performance du modèle

Créer les ensembles d'entraînement et de test

Vérifier la longueur de chaque ensemble

Calculer la justesse

Mesures du modèle

Matrice de confusion

Faire varier la taille de l'ensemble d'entraînement

Calculer la précision et le rappel

Autres mesures de modèle

Courbe ROC

Aire sous la courbe

Courbe précision-rappel

Mesure F1

Prédiction de l'attrition

Apprenez à améliorer la performance de vos modèles grâce à l'ajustement des hyperparamètres et à mieux comprendre les facteurs qui influencent l'attrition de la clientèle afin d'en faire bénéficier l'entreprise.

Ajuster votre modèle

Ajuster le nombre de caractéristiques

Ajuster d'autres hyperparamètres

Recherche aléatoire

Importance des caractéristiques

Visualiser l'importance des variables

Améliorer le graphique

Interpréter l'importance des variables

Ajout de nouvelles caractéristiques

Le rendement du modèle s'améliore-t-il?

Calculer d'autres mesures

Dernières réflexions

Ajustement du modèle

Telco Churn Dataset

L'attrition survient lorsqu'une cliente ou un client cesse de faire affaire avec une entreprise ou met fin à sa relation avec elle. C'est un enjeu courant dans de nombreux secteurs, des télécommunications à la télé par câble en passant par les services SaaS. Une entreprise qui sait prédire l'attrition peut agir de façon proactive pour fidéliser sa clientèle à valeur élevée et devancer la concurrence. Ce cours vous propose une démarche pour créer vos propres modèles d'attrition. Vous apprendrez à explorer et à visualiser vos données, à les préparer pour le Machine Learning, à faire des prédictions et à communiquer des constats clés et exploitables aux parties prenantes. À la fin du cours, vous serez à l'aise avec la bibliothèque pandas pour l'analyse de données et scikit-learn pour le Machine Learning.

Data Manipulation with pandas

Apprenez à utiliser Python pour analyser l'attrition des clients et créer un modèle prédictif.

Analytique marketing : prédire l'attrition de la clientèle avec Python

Apprenez à utiliser Python pour analyser le taux d’attrition des clients et créer un modèle pour le prédire.

Analytique marketing en Python

Interpréter l'importance des variables

Analytique marketing : prédire l'attrition de la clientèle avec Python

Exercice interactif pratique