持续创作，加速成长！这是我参与「掘金日新计划 · 6 月更文挑战」的第6天，点击查看活动详情\
原文链接：tecdat.cn/?p=26982
原文出处：拓端数据部落公众号
简介
客户流失/流失，是企业最重要的指标之一，因为获取新客户的成本通常高于保留现有客户的成本。
事实上，根据一个 study by Bain & Company，随着时间的推移，现有客户倾向于从公司购买更多产品，从而降低企业的运营成本，并可能将他们使用的产品推荐给其他人。例如，在金融服务领域，客户保留率每增加 5%，利润就会增加 25% 以上。
通过使用生存分析，公司不仅可以预测客户是否可能停止开展业务，还可以预测该事件何时发生。
数据集
描述和概述
团队想要使用的数据集包含以下功能：
从分类到数值
有几个分类特征需要编码为 one-hot 向量：
# 创建向量dtset = pd.get_dummies(rawdaset, columns=caegres)# 创建时间和事件列timeolun = 'onth_tiveent_clmn = 'chuned' （事件列）。# 提取特征特征 = np.setdiff1d(daaet.oums, [tie_olmn,] ).tolist()
探索性数据分析
在这里，我们将只检查数据集是否包含 Null 值或是否有重复的行。然后，我们将看看特征相关性。
空值和重复
首先要做的是检查 raw_dataset 是否包含 Null 值和重复的行。
# 检查是否为空值Null = sum(dtaet[feaues].isnull().sum())# 如果存在重复的数据，则将其删除daast = datt.drop_duplicates(keep='first').reset_index(drop=True)# 数据集中的样本数N = det.shape[0] 。
事实证明，数据集没有任何 Null 值或重复项。
相关性
让我们计算和可视化特征之间的相关性
图 1 - 相关性
建模
构建模型
为了稍后执行交叉验证并评估模型的性能，让我们将数据集拆分为训练集和测试集。
# 建立训练和测试集dex_train, index_test = train_test_split( range(N), test_size = 0.35)# 创建X、T和E输入X_tain, Xtst = daa_ain[ftures], datts[fees]T_tin, T_tst = daa_rain[ie_olumn], dta_est[tme_olumn]E_tain, _tst = daa_tain[vent_cumn], dattet[evet_lumn]
注意：超参数的选择是使用网格搜索选择获得的。
# 拟合模型cf.fit(_trai, T_tra, _tain, ax_eatrs='sqrt',
变量重要性
建立生存森林模型后，我们可以计算特征重要性：
# 计算变量的重要性sf.vaialeipotanetle.head(5)
这是最重要的功能中的前 5 个。
由于功能的重要性，我们可以更好地了解是什么推动了保留或流失。在这里，会计和薪资管理产品、满意度调查得分以及与客户支持通话的时间都发挥着重要作用。
注意：重要性是扰动和未扰动错误率之间的预测误差差异
交叉验证
为了评估模型性能，我们之前将原始数据集拆分为训练集和测试集，以便我们现在可以在测试集上计算其性能指标：
C-index
这C-index代表模型辨别能力的全局评估：
这是模型根据个体风险评分正确提供生存时间可靠排名的能力
。一般来说，当 C-index 接近 1 时，模型具有近乎完美的判别力；但如果接近0.5，则没有区分低风险和高风险对象的能力。
Brier score
这Brier score
测量给定时间状态和估计概率之间的平均差异。
因此，分数越低（
通常低于 0.25
），预测性能就越好。为了评估跨多个时间点的整体误差测量，通常还计算综合 Brier 分数 (IBS)。
图 2 - 条件生存森林 - Brier 分数和预测误差曲线
IBS 在整个模型时间轴上等于 0.13。这表明该模型将具有良好的预测能力。
预测
总体预测
既然我们已经建立了一个似乎可以提供出色性能的模型，让我们比较每个时间 t 停止与 SaaS 公司开展业务的实际客户数量和预测客户数量的时间序列。
comroal(cf, X_tst, T_tst, E_tst
图 3 - 条件生存森林 - 流失的客户数量
该模型总体上提供了非常好的结果，因为在整个 12 个月的窗口中，它只会产生约 5 个客户的平均绝对误差。
个人预测
让我们计算在 所有时间 t 中保留客户的概率。
首先，我们可以根据风险评分分布构建风险组。
cree_rskups(oel=csf, X=X_test
图 4 - 条件生存森林 - 风险组
在这里，可以区分 3 个主要群体，
低
风险、
中
风险 和
高
风险群体。由于 C 指数较高，模型将能够对每组随机单元的生存时间进行适当的排序。
让我们随机选择每组中的单个单元，并比较它们在所有时间 t 中保留客户的概率。为了证明我们的观点，我们将特意选择经历过事件的单位来可视化事件的实际时间。
图 5 - 条件生存森林 - 预测个人保留客户的概率
在这里，我们可以看到该模型设法提供了对事件时间的出色预测。
结论
我们现在可以保存我们的模型，以便将其投入生产并为未来的客户评分。
总之，我们可以看到，可以预测客户在不同时间点停止与公司开展业务的时间。该模型将帮助公司在留住客户方面更加积极主动；并更好地了解导致客户流失的原因。
最受欢迎的见解
1.PYTHON用户流失数据挖掘：建立逻辑回归、XGBOOST、随机森林、决策树、支持向量机、朴素贝叶斯模型和KMEANS聚类用户画像
3.python中使用scikit-learn和pandas决策树
7.用机器学习识别不断变化的股市状况——隐马尔可夫模型的应用
