Commencez à explorer le Telco Churn Dataset avec pandas pour calculer des statistiques descriptives et Seaborn pour créer des visualisations attrayantes.

Bienvenue dans le cours

Définir le churn client

Explorer le churn client

Regrouper et synthétiser des données

Statistiques descriptives pour les deux classes

Churn par État

Explorer vos données à l’aide de visualisations

Explorer la distribution des variables

Appels au service client et churn

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 de variables.

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

Prétraitement pour la modélisation de l’attrition

Vos données sont prétraitées et prêtes pour le Machine Learning : passons à la prédiction de l’attrition ! Apprenez à construire des modèles d’apprentissage supervisé en Python avec scikit-learn.

Réaliser des prédictions

Prédire si un·e nouveau·elle client·e va churn

Entraîner un autre modèle scikit-learn

Évaluer les performances du modèle

Créer des ensembles d’entraînement et de test

Vérifier la longueur de chaque jeu

Calculer la précision

Métriques du modèle

Matrice de confusion

Faire varier la taille de l'ensemble d'entraînement

Calculer la précision et le rappel

Autres métriques de modèle

Courbe ROC

Aire sous la courbe

Courbe précision–rappel

Score F1

Prédiction de l’attrition

Apprenez à améliorer les performances de vos modèles grâce au réglage des hyperparamètres et à mieux comprendre les facteurs d’attrition client à partager avec l’entreprise.

Ajuster votre modèle

Ajuster le nombre de features

Ajuster d’autres hyperparamètres

Recherche aléatoire

Importances des variables

Visualiser l’importance des variables

Améliorer le graphique

Interpréter l’importance des variables

Ajouter de nouvelles fonctionnalités

La performance du modèle s’améliore-t-elle ?

Calculer d’autres métriques

Dernières réflexions

Optimisation du modèle

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

Marketing Analytics : prédire l’attrition client en Python

Exercice interactif pratique