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.

Prapemrosesan data

Mengidentifikasi fitur yang perlu dikonversi

Encoding fitur biner

One hot encoding

Penskalaan fitur

Pemilihan dan rekayasa fitur

Menghapus fitur yang tidak diperlukan

Rekayasa kolom baru

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

Churn terjadi ketika pelanggan berhenti bertransaksi atau mengakhiri hubungan dengan sebuah perusahaan. Ini adalah masalah umum di berbagai industri, dari telekomunikasi hingga TV kabel hingga SaaS, dan perusahaan yang dapat memprediksi churn dapat mengambil tindakan proaktif untuk mempertahankan pelanggan bernilai tinggi dan unggul dari pesaing. Kursus ini akan memberikan panduan untuk membuat model churn pelanggan Anda sendiri. Anda akan mempelajari cara mengeksplorasi dan memvisualisasikan data, menyiapkannya untuk pemodelan, membuat prediksi menggunakan machine learning, serta mengomunikasikan wawasan penting yang dapat ditindaklanjuti kepada para pemangku kepentingan. Di akhir kursus, Anda akan nyaman menggunakan pustaka pandas untuk analisis data dan pustaka scikit-learn untuk machine learning.

Data Manipulation with pandas

Pelajari cara menggunakan Python untuk menganalisis churn pelanggan dan membangun model prediksi.

Analitik Pemasaran: Memprediksi Churn Pelanggan di Python

Pelajari cara menggunakan Python untuk menganalisis tingkat churn pelanggan dan membangun model untuk memprediksinya.

Analisis Pemasaran dalam Python

Menghapus fitur yang tidak diperlukan

Analitik Pemasaran: Memprediksi Churn Pelanggan di Python

Latihan interaktif praktis