1、做好用户流失预测可以降低营销成本。老生常谈，新客户开发成本是老客户维护成本的5倍。
2、获得更好的用户体验。并不是所有的增值服务都可以有效留住客户。
3、获得更高的销售回报。价格敏感型客户和非价格敏感性客户。
1、流失客户有哪些显著性特征？
2、当客户在哪些特征下什么条件下比较容易发生流失？
该数据集有21个变量，7043个数据点。变量可分为以下三个部分：用户属性、用户行为、研究对象。
用户属性customerID：用户IDgender：性别（Female&Male）SeniorCitizen：老年人（1表示是，0表示不是）Partner：是否有配偶（YesorNo）Dependents：是否经济独立（YesorNo）tenure：客户的职位（0-72，共73个职位）
研究对象Churn：该用户是否流失（YesorNo）
分析视角是分析方法的灵魂。
分析方法有上百种，但分析视角只有四种：
一旦将业务需求拆解成指标，接下来只需要针对每个指标进行分析视角四选一即可。
数据集描述，已经将变量分为三个维度了：用户属性、用户行为、研究对象（是否流失客户），三个维度组合一下就得出了以下解题思路了：
以上两个分析思路运用的是【对比视角】，该视角下具体的分析方法有：
以上的分析方法是统计分析，只能一个维度一个维度地去比较。但实际情况中，并不是每个维度的权重都一样的，那如何去研究各个维度的权重？
权重问题属于分类视角，故我们可以采用分类模型，要用哪个分类模型呢？不知道。可以全部采用，看模型精度得分，然后选得分最高的模型进行进一步预测。
综合统计分析和XGB算法输出特征重要性得出流失客户有以下特征（依特征重要性从大到小排列）：
当条件覆盖得越多，人群越精确，但与此同时，覆盖的人群也会越少。业务方可直接在数据库中，通过SQL检索符合要求的客户，然后做针对性的运营工作。
如何留住客户，可以从两方面去思考：
TotalCharges列是数值型数据，先画直方图查看数据分布形态。
研究对象'Churn'列重新编码“Yes”=1，“No”=0。重新编码有下面两种方法。
方法一：replace
解决样本不均衡有以下方法可以选择：
提取特征
组间有显著性差异，频数分布比较才有意义,否则可能会做无用功。"卡方检验",就是提高频数比较结论可信度的统计方法。
ChurnbySeniorCitizen的卡方临界值是0.00，小于0.05，表明SeniorCitizen组间有显著性差异,可进行【交叉分析】
ChurnbyPartner的卡方临界值是0.00，小于0.05，表明Partner组间有显著性差异,可进行【交叉分析】
ChurnbyDependents的卡方临界值是0.00，小于0.05，表明Dependents组间有显著性差异,可进行【交叉分析】
ChurnbyMultipleLines的卡方临界值是0.99，大于0.05，表明MultipleLines组间无显著性差异,不可进行交叉分析
ChurnbyInternetService的卡方临界值是0.00，小于0.05，表明InternetService组间有显著性差异,可进行【交叉分析】
ChurnbyOnlineSecurity的卡方临界值是0.00，小于0.05，表明OnlineSecurity组间有显著性差异,可进行【交叉分析】
ChurnbyOnlineBackup的卡方临界值是0.00，小于0.05，表明OnlineBackup组间有显著性差异,可进行【交叉分析】
ChurnbyDeviceProtection的卡方临界值是0.00，小于0.05，表明DeviceProtection组间有显著性差异,可进行【交叉分析】
ChurnbyTechSupport的卡方临界值是0.00，小于0.05，表明TechSupport组间有显著性差异,可进行【交叉分析】
ChurnbyStreamingTV的卡方临界值是0.00，小于0.05，表明StreamingTV组间有显著性差异,可进行【交叉分析】
ChurnbyStreamingMovies的卡方临界值是0.00，小于0.05，表明StreamingMovies组间有显著性差异,可进行【交叉分析】
ChurnbyContract的卡方临界值是0.00，小于0.05，表明Contract组间有显著性差异,可进行【交叉分析】
ChurnbyPaperlessBilling的卡方临界值是0.00，小于0.05，表明PaperlessBilling组间有显著性差异,可进行【交叉分析】
ChurnbyPaymentMethod的卡方临界值是0.00，小于0.05，表明PaymentMethod组间有显著性差异,可进行【交叉分析】
从卡方检验的结果，kf_var包含的特征,组间都有显著性差异，可进行频数比较。
频数比较--柱形图
组间有显著性差异，均值比较才有意义。显著性检验，先通过了齐性检验，再通过方差分析，最后才能做均值比较。
警告：ChurnBYMonthlyCharges的P值为0.00，小于0.05，表明齐性检验不通过，不可作方差分析
警告：ChurnBYTotalCharges的P值为0.00，小于0.05，表明齐性检验不通过，不可作方差分析
用户出现以下特征比较容易流失：
我们可以在SQL（数据库）上找有以上特征的客户，进行精准营销，即可以降低用户流失。虽然特征选得越多，越精确，但覆盖的人群也会越少。故，我们还需要计算“特征”的【重要性】，将最为重要的几个特征作为筛选条件。
计算特征的【重要性】，是“分类视角”，接下来我们会挑选常见的分类模型，进行批量训练，然后挑出得分最高的模型，进一步计算“特征重要性”。
以上两种方法，哪个能让模型精度提高，就选哪个。根据模型的最后得分，我选了“离散化”来处理量纲差异大。
特征离散化后，模型易于快速迭代，且模型更稳定。
1、处理'MonthlyCharges'：
离散操作：18= 通过同行百分比的“交叉分析”发现，label“Nointernetserive”的人数占比在以下特征[OnlineSecurity，OnlineBackup，DeviceProtection，TechSupport，StreamingTV，StreamingTV]都是惊人的一致，故我们可以判断label“Nointernetserive”不影响流失率。因为这6项增值服务，都是需要开通“互联网服务”的基础上才享受得到的。不开通“互联网服务”视为没开通这6项增值服务，故可以将6个特正中的“Nointernetserive”并到“No”里面。 整数编码的方法有两种： 分拆变量 处理样本不均衡常用的方式有三种： 笔者先后尝试了“分层抽样”和“欠抽样”，前者最终得到的模型中精度最高的是0.63，而后者最终得到的模型中精度最低是0.78，最高是0.84。所以说“抽样方式”的选择极为重要，大家要在这里多试错。 分层抽样 过抽样后数据特征：(10348,17)训练数据特征：(7243,17)测试数据特征：(3105,17)过抽样后数据标签：(10348,)训练数据标签：(7243,)测试数据标签：(3105,) 使用分类算法 笔者尝试了两个算法分别输出“特征重要性”：CatBoost算法和XGB算法 【分析】使用“电子支票”支付的人更容易流失。 ChurnbyMonthlyCharges的卡方临界值是0.00，小于0.05，表明MonthlyCharges组间有显著性差异,可进行【交叉分析】 ChurnbyTotalCharges的卡方临界值是0.00，小于0.05，表明TotalCharges组间有显著性差异,可进行【交叉分析】 基于"MonthlyCharges"和“TotalCharges”画四分图：求两个维度的均值