Ein wichtiges Ziel für jedes Unternehmen liegt in der Erhaltung wertvoller Kundenbeziehungen. Problematisch ist die Abwanderung von Kunden zu Wettbewerbern (= Churn). Der Datensatz für diese Demo wurde auf der Kaggle Data Science Plattform veröffentlicht. Die Zeilen des Datensatzes stellen jeweils einen Kunden dar. Die Spalten beschreiben die Merkmale der Kunden. Auf Basis der Merkmale wird versucht zu klassifizieren, ob ein Kunde das Unternehmen verlässt oder nicht. Verschiedene Schritte zur Datenvorbereitung werden umgesetzt. Als Datenmodell wird eine logisitische Regression verwendet. Das finale Datenmodell erreicht eine Genauigkeit von 76% und einen Recall von 73%. Fast drei Viertel aller abwanderungswilligen Kunden werden durch dieses Modell erkannt.
Andreas Buzer
In diesem Notebook analysieren wir Amazon Alexa-Bewertungen, um das Kundensentiment zu verstehen und vorherzusagen. Dadurch können Unternehmen datenbasierte Entscheidungen treffen, um ihr Produkt und ihren Kundenservice zu verbessern.
In diesem Notebook analysieren wir die Kundenzufriedenheit von Fluggesellschaften.Die Problemstellung besteht darin, die Schlüsselfaktoren für die Zufriedenheit der Passagiere zu identifizieren. Der Datensatz für diese Demo wurde auf der Kaggle Data Science Plattform veröffentlicht. Der Datensatz enthält unter anderem die Spalte Satisfaction, die die Kundenzufriedenheit auf einer Skala von 1 bis 5 bewertet. Bei der Datenvorbereitung wurde besonderer Wert auf die Datenbereinigung gelegt, um fehlende oder fehlerhafte Daten zu entfernen.
Increase customer satisfaction CRISP-DM ist ein standardisierter Prozess für Data-Mining-Projekte, der sechs Hauptphasen umfasst: Geschäftsverständnis, Datenverständnis, Datenvorbereitung, Modellbildung, Modellbewertung und…
In diesem Beispiel auf Basis der demographischen Merkmale eines Nutzers sowie seiner Internetnutzung, prognostiziert ob er auf eine Werbeanzeige klicken wird.