[데이터 분석 및 시각화 프로젝트] 통신사 고객데이터를 활용한 고객이탈예측 모델 생성

📉 Kaggle - 미국 통신사 고객 데이터를 활용한 고객이탈예측모델 구축

 

☑️프로젝트 개요

프로젝트 명	통신사 고객데이터를 통해, 고객이탈을 예측할 수 있는 모델을 개발
프로젝트 기간	2024.08.21 - 2024.09.10
사용 언어 및 개발환경	Python(GoogleCorab,JupyterNotebook), VastAI(GPU 서버)
사용 데이터	Kaggle - 미국 통신사 고객 공개 데이터  https://www.kaggle.com/competitions/telecom-churn-case-study-hackathonc62/
분석 목적	제공된  데이터를 통해 고객이 이탈할 것인지 아닌지를 분류
역할	데이터 전처리, 분석, 시각화, 발표
주요기능 및 구현과정	-  캐글에서 제공되는 2014년도 미국 통신사 데이터는 우리나라와는 다른 방식인    선불충전방식임을 숙지하고 데이터를 바라보았으며, 이탈할 것인지 아닌지를 분류 -  이탈 방지를 통해 고객 유지 강화 및 수익 감소를 방지하기 위한 프로젝트 -  이탈예측을 위해, 마지막 충전일을 기준으로 이탈기준으로 삼음 -  리더보드 점수 향상을 위해 기존데이터에 EDA를 통해 얻은 인사이트를 기반으로     약 50개의 파생변수를 추가했으며, 피처 간 상관관계를 통해 적절한 파생변수 선택   -  샘플링, 원-핫 인코딩, 스케일링 등 피쳐엔지니어링을 통해 최적의 데이터셋 선정 -  훈련 데이터와 검증 데이터를 나누어 훈련 데이터를 통해 학습하고 검증 데이터로 모델       검증 계획 수립 -  다양한 머신러닝모델에 Optuna[AutoML]를 적용해, 최적의 하이퍼파라미터를 가진     우수한 성능의 모델 선정 -  최적의 모델들의 예측결과를 조합하여, 최고 점수달성을 위해 앙상블 기법 중 보팅과     스태킹을 진행 -  일반적으로 소프트보팅이 하드보팅보다 성능이 더 좋아 자주 사용되지만,     하드보팅의 점수가 가장 높았음
성과 및 느낀점	-  Kaggle 경진대회 2등 수상(2위/117팀) -  우리나라와는 다른 선불충전요금제 방식을 이해하고, 인사이트를 도출해내는 과정에서      주어진 데이터를 이해하는 단계에서부터 시행착오를 겪으며 팀원들과 함께 어떤      피처를 사용할지와 어떠한 모델이 적합할지 고민하고 실험하는 시간을 가지며      성장하게 된 계기 -  프로젝트를 진행하면서, 단일모델의 성능이 좋지 않은 문제점이 발생하였는데,     앙상블기법을 공부하여 모델의 성능을 높일 방법을 모색하였고    그 결과, 경진대회에서 2등을 하게 되었음