Begin exploring the Telco Churn Dataset using pandas to compute summary statistics and Seaborn to create attractive visualizations.

Welcome to the course

Defining customer churn

Exploring customer churn

Grouping and summarizing data

Summary statistics for both classes

Churn by State

Exploring your data using visualizations

Exploring feature distributions

Customer service calls and churn

Exploratory Data Analysis

Having explored your data, it's now time to preprocess it and get it ready for machine learning. Learn the why, what, and how of preprocessing, including feature selection and feature engineering.

Prétraitement des données

Identifier les variables à convertir

Encoder des variables binaires

One hot encoding

Mise à l’échelle des variables

Sélection et ingénierie des caractéristiques

Supprimer les variables inutiles

Créer une nouvelle colonne

Preprocessing for Churn Modeling

With your data preprocessed and ready for machine learning, it's time to predict churn! Learn how to build supervised learning machine models in Python using scikit-learn.

Making Predictions

Predicting whether a new customer will churn

Training another scikit-learn model

Evaluating Model Performance

Creating training and test sets

Check each sets length

Computing accuracy

Model Metrics

Confusion matrix

Varying training set size

Computing precision and recall

Other model metrics

ROC curve

Area under the curve

Precision-recall curve

F1 score

Churn Prediction

Learn how to improve the performance of your models using hyperparameter tuning and gain a better understanding of the drivers of customer churn that you can take back to the business.

Tuning your model

Tuning the number of features

Tuning other hyperparameters

Randomized search

Feature importances

Visualizing feature importances

Improving the plot

Interpreting feature importances

Adding new features

Does model performance improve?

Computing other metrics

Final thoughts

Model Tuning

Telco Churn Dataset

L’attrition (ou churn) survient lorsqu’un client cesse de faire affaire avec une entreprise ou met fin à sa relation avec elle. C’est un problème courant dans de nombreux secteurs, des télécommunications à la télévision par câble en passant par le SaaS. Une entreprise capable de prédire l’attrition peut agir de manière proactive pour fidéliser les clients à forte valeur et prendre une longueur d’avance sur la concurrence. Ce cours vous propose une feuille de route pour créer vos propres modèles d’attrition client. Vous apprendrez à explorer et visualiser vos données, à les préparer pour le Machine Learning, à faire des prédictions et à communiquer des insights clés et actionnables aux parties prenantes. À la fin du cours, vous serez à l’aise avec la bibliothèque pandas pour l’analyse des 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.

Marketing Analytics : prédire l’attrition client en Python

Apprenez à utiliser Python pour analyser le taux de désabonnement des clients et créer un modèle permettant de le prédire.

Analyse marketing en Python

Supprimer les variables inutiles

Exercice interactif pratique