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.

Data preprocessing

Identifying features to convert

Encoding binary features

One hot encoding

Feature scaling

Feature selection and engineering

Dropping unnecessary features

Engineering a new column

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.

Fare previsioni

Prevedere se un nuovo cliente farà churn

Addestrare un altro modello scikit-learn

Valutare le prestazioni del modello

Creare training e test set

Controlla la lunghezza di ciascun insieme

Calcolare l'accuracy

Metriche del modello

Matrice di confusione

Variare la dimensione del training set

Calcolare precision e recall

Altre metriche del modello

Curva ROC

Area sotto la curva

Curva precision-recall

Punteggio F1

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

Il churn si verifica quando un cliente smette di fare affari o interrompe il rapporto con un’azienda. È un problema comune in molti settori, dalle telecomunicazioni alla TV via cavo fino al SaaS. Un’azienda che riesce a prevedere il churn può agire in modo proattivo per trattenere i clienti di valore e superare la concorrenza. Questo corso ti fornirà una roadmap per creare i tuoi modelli di churn dei clienti. Imparerai a esplorare e visualizzare i dati, prepararli per il modeling, fare previsioni con il machine learning e comunicare ai decision maker insight importanti e azionabili. Alla fine del corso, ti sentirai a tuo agio nell’usare la libreria pandas per l’analisi dei dati e scikit-learn per il machine learning.

Data Manipulation with pandas

Impara a usare Python per analizzare il churn dei clienti e creare un modello per prevederlo.

Marketing Analytics: Prevedere il churn dei clienti in Python

Impara a usare Python per capire perché i clienti se ne vanno e crea un modello per prevederlo.

Analisi di marketing in Python

Controlla la lunghezza di ciascun insieme

Marketing Analytics: Prevedere il churn dei clienti in Python

esercizio interattivo pratico