做个数据分析项目

项目背景：为了做分类任务在kaggle上找了这个数据集（https://www.kaggle.com/blastchar/telco-customer-churn），顺手尝试数据探索分析（EDA），期待能发现一些有意思的结论。此数据集共包含7031条数据，20个输入特征，1个目标特征。此项目主要分为数据处理、EDA和建模预测三部分，为了找出影响电信用户流失的关键因素，并最后给出相应的运营建议。

1.数据处理

1.1倒入数据

#导入数据
telecom = pd.read_csv("./Telco-Customer-Churn.csv")
#查看数据格式，表头名称
print(telecom.shape)
print(telecom.columns)
#显示全部列
pd.set_option('display.max_columns', None)
telecom.head()

telecomHead.png

#查看用户流失比例
plt.figure(figsize=[9,7])
telecom['Churn'].value_counts().plot.pie(autopct="%.2f%%")
plt.show()

电信用户流失比例.png

1.2数据清洗

修正数据类型、去空值、去重

#查看数据信息
telecom.info()
#此处发现明显错误，totalcharge格式不应为object，遂将其改为float格式
telecom.TotalCharges = pd.to_numeric(telecom.TotalCharges,errors='coerce')

#查看是否具有空置
telecom.drop_duplicates('customerID')
#存在11个空置，由于数量非常小，因此选择全部删除/否则应根据数据分布形态选择填充方式
telecom.dropna(inplace=True)
#删除重复值
telecom.drop_duplicates('customerID')
#监测连续型数据是否存在异常值
telecom.describe()

2.数据探索性分析

数据暂时处理完毕，待建模预测前再进行one-hot编码处理。

2.1明确分析思路

其实提到电信用户流失的原因，不是用户自身的原因，就是用户觉得服务商有这样那样的问题。结合本案例中具体20条输入特征，我将全部特征主要分为以下三个部分：用户相关特征、服务相关特征、合约相关特征。

featureOfTelecom.png

2.2用户相关特征分析

如下图所示:
性别对流失与否几乎无影响。
老年用户、未婚用户、无小孩用户流失率更高。
流失用户的在网时间呈偏左分布，普遍在10个月以下。

fig,axes=plt.subplots(2,2,figsize=(12,12))
sns.countplot(x='gender',hue='Churn',data=telecom,hue_order=['Yes','No'],ax=axes[0,0])
sns.countplot(x='SeniorCitizen',hue='Churn',data=telecom,hue_order=['Yes','No'],ax=axes[0,1])
sns.countplot(x='Partner',hue='Churn',data=telecom,hue_order=['Yes','No'],ax=axes[1,0])
sns.countplot(x='TechSupport',hue='Churn',data=telecom,hue_order=['Yes','No'],ax=axes[1,1])

sns.boxplot( x=telecom["Churn"], y=telecom["tenure"])

2.3服务相关特征分析

手机服务对流失并无明显影响。而没有设备保护的用户流失率明显更高。
拥有使用光缆、无网络安全、无在线备份、无技术支持特征的用户流失率更高。
是否多线路、以及是否使用流电视、流电影对用户流失率无明显影响。

services = ['PhoneService','MultipleLines','InternetService','OnlineSecurity',
           'OnlineBackup','DeviceProtection','TechSupport','StreamingTV','StreamingMovies']

fig, axes = plt.subplots(nrows = 3,ncols = 3,figsize = (15,12))
for i, item in enumerate(services):
    if i < 3:
        sns.countplot(x=item,hue='Churn',data=telecom,ax=axes[i,0])
        
    elif i >=3 and i < 6:
        sns.countplot(x=item,hue='Churn',data=telecom,ax=axes[i-3,1])
        
    elif i < 9:
        sns.countplot(x=item,hue='Churn',data=telecom,ax=axes[i-6,2])

2.4合约相关特征分析

如下图所示，合约签约时间越短流失率越高，其中月签约用户流失率超过30%；使用纸质账单的用户流失率更高；
使用电子支付的用户流失率高达45%，其他支付方式的用户流失率都与整体流失率无明显差别。
流失率随着费用增大而增大，在月费用80-100之间用户流失最严重。

fig,axes=plt.subplots(3,1,figsize=(10,10))
sns.countplot(x='Contract',hue='Churn',data=telecom,hue_order=['Yes','No'],ax=axes[0])
sns.countplot(x='PaperlessBilling',hue='Churn',data=telecom,hue_order=['Yes','No'],ax=axes[1])
sns.countplot(x='PaymentMethod',hue='Churn',data=telecom,hue_order=['Yes','No'],ax=axes[2])

fig,axes=plt.subplots(1,2,figsize=(15,6))
ax1=sns.kdeplot(telecom.MonthlyCharges[(telecom["Churn"] == 'No') ],
                color="Red", shade = True,ax=axes[0])
ax1= sns.kdeplot(telecom.MonthlyCharges[(telecom["Churn"] == 'Yes') ],
                color="Blue", shade= True,ax=ax1)
ax1.legend(["Not Churn","Churn"],loc='upper right')
ax1.set_ylabel('Density')
ax1.set_xlabel('tenure')
ax1.set_title('Distribution of Monthly Charges by churn')

ax2=sns.kdeplot(telecom.TotalCharges[(telecom["Churn"] == 'No') ],
                color="Red", shade = True,ax=axes[1])
ax2= sns.kdeplot(telecom.TotalCharges[(telecom["Churn"] == 'Yes') ],
                color="Blue", shade= True,ax=ax2)
ax2.legend(["Not Churn","Churn"],loc='upper right')
ax2.set_ylabel('Density')
ax2.set_xlabel('tenure')
ax2.set_title('Distribution of Total Charges by churn')

telecom[['MonthlyCharges', 'TotalCharges']].plot.scatter(x = 'MonthlyCharges',y='TotalCharges')

从下图可以发现：
用户流失率、月均消费、总消费总体均随着使用时间增大而增长；
当用户使用时长超过70个月之后，用户价值得到极大的提升，说明长期来看，相比拉新、引导用户升级套餐，降低用户流失率能给公司带来更大的收益。

telecom_clv=telecom.copy()
itelcom=telecom_clv.loc[Telco_Data_LTV.tenure==0].index
telecom_clv.loc[IDXtelco,'tenure']=1
telecom_clv['ChurnRate']=telecom_clv.groupby('tenure')['Churn'].agg(np.mean)
telecom_clv['MonthlyChargesAvg']=telecom_clv.groupby('tenure')['MonthlyCharges'].agg(np.mean)
telecom_clv['TotalChargesAvg']=telecom_clv.groupby('tenure')['TotalCharges'].agg(np.mean)
telecom_clv['CLV']=telecom_clv['TotalChargesAvg']/telecom_clv['ChurnRate']
fig,ax=plt.subplots(2,2,figsize=(10,10))
telecom_clv.ChurnRate.plot(ax=ax[0,0],title='ChurnRate')
telecom_clv.MonthlyChargesAvg.plot(ax=ax[0,1],title='MonthlyChargesAvg')
telecom_clv.TotalChargesAvg.plot(ax=ax[1,0],title='TotalChargesAvg')
telecom_clv.CLV.plot(ax=ax[1,1],title='CLV ')

2.5总结

拥有以下特征的用户流失率更高：
用户层面：老年、未婚、无子、已使用时长小于10个月
服务层面：未使用设备保护、网络安全、在线备份、技术支持、以及使用光缆
合约层面：按月签约、电子支付、月费用在80-100之间

3.建模预测

3.1 数据处理

#处理目标特征，对输入特征进行one-hot编码
telecom['Churn'].replace(to_replace='Yes', value=1 , inplace=True)
telecom['Churn'].replace(to_replace='No', value=0, inplace=True)
telecom_dummies = pd.get_dummies(telecom.iloc[:,1:])
telecom_dummies.head()

#查看各变量与label的相关性
plt.figure(figsize=(15,8))
telecom_dummies.corr()['Churn'].sort_values(ascending=False).plot(kind='bar')

相关性系数.png

3.2逻辑回归预测

从逻辑回归与SVM模型得出的前十相关性来看，与EDA得出的影响用户流失的因素基本相吻合。除了流电视、流电影两类，从模型中相关性系数来看，这两类特征会增加用户流失率。但是单看这两类特征中的用户分布，使用流媒体的用户流失率是要低于未使用者的。

#连续型变量归一化
from sklearn.preprocessing import MinMaxScaler

y=telecom_dummies['Churn'].values
x=telecom_dummies.drop(columns='Churn')

ss = MinMaxScaler()
scale_features = x.columns.values
x[scale_features] = ss.fit_transform(x[scale_features])

#数据集拆分
from sklearn.model_selection import train_test_split
from sklearn.feature_selection import SelectFromModel
x_train, x_test, y_train, y_test = train_test_split(x, y, test_size=0.2, random_state=None)

#逻辑回归
from sklearn.linear_model import LogisticRegression
model = LogisticRegression()
result=model.fit(x_train,y_train)

from sklearn import metrics
prediction_test = model.predict(x_test)

print (metrics.accuracy_score(y_test, prediction_test))

预测结果：0.8024164889836531

weights = pd.Series(model.coef_[0],
                 index=x.columns.values)
print (weights.sort_values(ascending = False)[:10].plot(kind='bar'))

相关性

3.3支持向量机预测

from sklearn.svm import SVC

model.svm = SVC(kernel='linear') 
model.svm.fit(x_train,y_train)
preds = model.svm.predict(x_test)
print(metrics.accuracy_score(y_test, preds))

weights = pd.Series(model.coef_[0],
                 index=x.columns.values)
print (weights.sort_values(ascending = False)[:10].plot(kind='bar'))

预测结果：0.7995735607675906

相关性

4.运营建议

（1）在用户层面，对于老年、未婚、无亲属、已在网时间小于10个月的用户，可以尝试推出一些限时优惠活动。可以进一步查看该类用户在各类服务上的使用情况，查看是否存在流失率不同的情况。如果存在，可针对该类用户尝试推出一些定制化套餐。
（2）在服务层面需要注意的是，使用光缆的用户有很高的流失率，应该对该产品的质量问题和客户对该产品的满意度进行检查。对于其他类似网络安全、在线备份等技术，同样进行客户满意度调查，进一步查看是否存在对其价格不满的情况。后续可以尝试限时优惠或者限时赠送的活动。
（3）在合约层面，首先应该鼓励用户签订长期合同。其次，对于电子支付、无纸化流程进行检查，是否存在使用不便问题。毕竟考虑到目前的电子支付发展情况，不应该导致这么明显的用户流失率。