Модель машинного обучения для прогнозирования вероятности ухода клиентов телеком-компании.
Цель проекта — выявить клиентов с высоким риском ухода и предложить интерпретируемую модель для принятия решений.

• Повысить удержание клиентов
• Автоматизировать прогноз оттока
• Интерпретировать ключевые факторы ухода

• Python 3.x
• pandas, numpy, matplotlib, seaborn, plotly
• scikit-learn, imbalanced-learn, CatBoost, phik
• PyTorch, torchmetrics
• SQLite

git clone https://github.com/kagor4/prokect_teltecom.git cd prokect_teltecom pip install -r requirements.txt

Затем откройте и запустите ноутбук notebook.ipynb в Jupyter или Google Colab.

Проект использует SQLite базу данных, содержащую 4 таблицы:

• contract — договорные условия
• personal — демография клиента
• internet — интернет-услуги
• phone — услуги телефонии

Целевая переменная: active_contract
(0 — клиент остался, 1 — ушёл)

• Лучшая модель: CatBoostClassifier
• ROC AUC: 0.903
• Основные факторы ухода:
  • Продолжительность договора (duration_contract)
  • Месячные расходы (monthly_charges)
  • Тип оплаты (type)
  • Наличие дополнительных услуг

📦 telecom-churn/ ├── prokect_teltecom.py # основной анализ и модели ├── requirements.txt # зависимости └── README.md # описание проекта 

• Добавить интерфейс/дешборд
• Улучшить recall для ушедших клиентов
• Провести бизнес-калькуляцию потерь от оттока

Автор: kagor4