Customer_Churn_PySpark 根据客户使用的电信服务预测客户流失。

项目：关于kaggle竞争的客户流失预测2020 是关于预测客户是否会改变电信提供商，这被称为“搅动”。 动机 客户流失是业务分析和业务关键目标中最重要的领域之一。专注于留住现有客户比收购新客户更容易且成本更低。将客户保留率提高几个百分点可以显着提高利润。预测客户流失将有助于企业保留现有客户，并扩大潜在客户的识别范围。流失管理的核心在于能够识别潜在磨耗者的预警信号。机器学习将提供一种解决方案，并且企业将采取积极行动阻止这种情况的发生。 该项目的目的 资料详情 领域 探索数据 清洁数据和功能工程 建模与评估 比赛和最终成绩 挑战与增强 该项目的报告 文件和文件夹的详细信息和结构 资料夹 原始数据集和清理的数据集。 使用图片 存储已转换的XGB模型。 Jupyternotebooks用于数据可视化，清洁数据，EDA，建模和车削。 实用程序，用于 用于程序 档案文件 项目调查结果 软件要求

Churn-Prediction-of-Bank-Customers:预测银行客户流失

项目名 CHURN MODELING 2.0：使用Python和Sci-Kit进行预测建模学习 项目简介/目标 该项目的目的是预测特定客户离开银行的可能性。 我们还将找出银行应采取什么措施来留住客户并阻止他们离开。 这些是主要目标，但银行欢迎分析期间发现的任何其他见解。 项目描述 数据最初属于在3个国家/地区运营的银行：法国，西班牙和德国。 但是由于我的大多数观众很可能来自加纳，因此我决定将地理变量分别替换为阿克拉，库马西和博尔加，以便于理解。 因此，在数据集中，您将看到这三个加纳地区而不是国家。 现在，该银行近来一直在经历快速的客户流失。 这意味着客户以异常高的速度离开银行，管理层希望找出问题所在，以及如何做才能留住客户。 我使用称为Gretl的软件工具完成了该项目的原型。 但是在这里，我将使用Python和相关库。 该项目是逻辑回归算法的应用。 我们正在尝试计算特定客户是否离开银行的二

橙色电信的客户流失数据集将用于开发预测模型，该数据集由清除的客户活动数据（功能）以及指定客户是否取消订阅的客户流失标签组成。这里提供了两个数据集：可以下载churn-80和churn-20数据集。 telecom_churn.csv

Orange telecom 客户流失情况数据源, 3333 条数据，21个特征， 可用户客户流失分析，聚类分析，客户流失预测等

churn数据集

电信客户流失 重点客户保留计划 WA_Fn-UseC_-Telco-Customer-Churn.csv

客户流失预测项目 数据： ： 熊猫，numpy，matplotlib，seaborn，plotly，sklearn，xgboost 建立客户流失预测模型： 探索性数据分析 特征工程 使用Logistic回归调查功能如何影响保留率 使用XGBoost构建分类模型 流失预测 保留率表明您的产品市场适合度（PMF）有多好。 如果您的PMF不满意，您应该很快就会看到客户流失。 提升保留率（因此称为PMF）的强大工具之一是Churn Prediction。 通过使用此技术，您可以轻松找出在给定时间段内可能流失的人。 在本文中，我们将使用Telco数据集（ ），并执行以下步骤来开发Churn预测模型： 探索性数据分析 特征工程 使用Logistic回归调查功能如何影响保留率 使用XGBoost构建分类模型 探索性数据分析（EDA） 数据分为两类： 分类功能：性别，电视流，付款方式等。

字段说明：州名， 账户长度， 区号， 电话号码， 国际计划，语音邮箱， 白天通话分钟数， 白天电话个数， 白天收费， 晚间通话分钟数，晚间电话个数， 晚间收费， 夜间通话分钟数，夜间电话个数， 夜间收费， 国际分钟数， 国际电话个数， 国际收费， 客服电话数，流失与否