data-portfolio

Prédiction de churn — Télécoms MTN Nigeria

Note sur les données. Ce snapshot Kaggle (974 lignes clients MTN Nigeria) est approximativement uniforme aléatoire sur les covariables testées — voir le carnet jumeau 08-customer-survival-mtn-tenure/README.md pour les détails. L’AUC de la logistique et le F1 du RF s’effondrent ; l’AUC XGBoost = 0,71 reflète des interactions non linéaires dans des one-hots à grande cardinalité, pas un signal interprétable substantivement. Ce carnet est une démonstration pédagogique de la classification binaire du churn — régression logistique, random forest, XGBoost, diagnostics ROC / PR / calibration, file de rétention. Pour un vrai benchmark : IBM Watson Telco Customer Churn (7 043 clients).

Question métier

Quels clients ont le plus de chance de churner au prochain trimestre, et quelles features pilotent leur risque ? Un classifieur binaire ordonne les clients par probabilité de churn pour que les campagnes de rétention ciblent le segment à plus haut risque.

(Compagnon du projet 08, qui modélise les mêmes données comme un problème de survie — mêmes données, deux angles analytiques, tous deux utiles.)

Données

Source : MTN Nigeria Customer Churn (Kaggle) — 974 clients, 17 features (âge, État, forfait, satisfaction, ancienneté, revenu, usage data, label de churn).

Lancer python download_data.py.

Cibles d’EDA

Équilibre des classes (~29 % de churn)
Signaux de hasard univariés : faible satisfaction, faible ancienneté, type de forfait
Différences au niveau État

Modélisation

Famille	Modèle
Linéaire	Régression logistique avec pénalité L2 (baseline interprétable)
Arbres	Random Forest, Gradient Boosting (XGBoost)

Validation

Découpage stratifié 80/20 (taux de base test = 29 %).
Métriques : ROC-AUC, PR-AUC, F1, exactitude équilibrée, Precision@k et Lift@k pour le cadrage file-de-rétention.
Tracé de calibration avec IC Wilson 95 % par bin pour rendre visible l’incertitude des ~19 obs/bin plutôt que la lisser.

Chiffres en tête (test) :

Modèle	ROC-AUC	PR-AUC	P@50	Lift@50	P@100	Lift@100
XGBoost	0,71	0,51	0,52	1,78×	0,40	1,37×
Random Forest	0,59	0,36	0,34	1,16×	0,38	1,30×
LogReg	0,48	0,27	0,20	0,68×	0,30	1,03×

Seule la file top-50 de XGBoost porte un lift significatif (1,78× vs aléatoire). La top-50 de la LogReg est pire qu’aléatoire, signe que le scoring linéaire capte de l’anti-signal sur ces données (quasi-aléatoires). Voir la note dataset en haut pour le contexte.

Esquisse de déploiement

File de rétention classée par score XGBoost ; auditer Lift@k mensuellement sur le holdout pour détecter la dérive.
Pas déployable sur le dataset actuel — la note dataset en haut s’applique. Sur un vrai benchmark churn (IBM Watson Telco) le même code produit des features interprétables et un lift top-k défendable.

Résultat métier

Dépenses de rétention allouées là où le lift prédit est le plus élevé ; le top-k est la métrique qui correspond au cas d’usage de ciblage de campagne.
Jumeau du projet 08 (analyse de survie sur les mêmes données) — deux lentilles analytiques, toutes deux contraintes par le même problème de provenance de données.
Le même pipeline s’applique à toute activité par abonnement

This site is open source. Improve this page.