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.

Voorspellingen maken

Voorspellen of een nieuwe klant gaat churnen

Nog een scikit-learn-model trainen

Modelprestaties evalueren

Trainings- en testsets maken

Controleer de lengte van elke set

Nauwkeurigheid berekenen

Modelstatistieken

Confusion matrix

Variëren in trainingssetgrootte

Precisie en recall berekenen

Andere modelmetrics

ROC-curve

Oppervlakte onder de 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 (klantverloop) betekent dat een klant stopt met zaken doen of de relatie met een bedrijf beëindigt. Het is een veelvoorkomend probleem in allerlei sectoren, van telecommunicatie tot kabel-tv en SaaS. Een bedrijf dat churn kan voorspellen, kan proactief actie ondernemen om waardevolle klanten te behouden en de concurrentie een stap voor blijven. In deze cursus krijg je een stappenplan om je eigen klantverloopmodellen te bouwen. Je leert hoe je je gegevens verkent en visualiseert, ze voorbereidt voor modellering, voorspellingen doet met machine learning en belangrijke, toepasbare inzichten communiceert aan stakeholders. Aan het einde van de cursus kun je vol vertrouwen de pandas-bibliotheek gebruiken voor data-analyse en scikit-learn voor machine learning.

Data Manipulation with pandas

Leer hoe je Python gebruikt om klantverloop te analyseren en een voorspellend model te bouwen.

Marketinganalyse: klantverloop voorspellen in Python

Leer hoe je Python kunt gebruiken om klantverloop te analyseren en een model te maken om dit te voorspellen.

Marketinganalyse in Python

Oppervlakte onder de curve

Marketinganalyse: klantverloop voorspellen in Python

Praktische interactieve oefening