Projet ML – Prédiction du Churn Client

Objectif

Le projet a pour objectif de prédire quels clients sont susceptibles de quitter le service (churn).
Il inclut une analyse exploratoire complète (EDA), la visualisation des facteurs influençant le churn, et la préparation d'un modèle de prédiction.

Dataset

• Source : Telco Churn (fichier Excel .xlsx)
• Nombre de clients : 7043
• Variables (traduction en français) :

Variable	Description
customerid	Identifiant unique du client
count	Nombre d'interactions (inutile pour le modèle)
country	Pays du client
state	État / région
city	Ville
zip_code	Code postal
lat_long	Coordonnées latitude/longitude
latitude	Latitude
longitude	Longitude
gender	Genre du client
senior_citizen	Senior (1 = oui, 0 = non)
partner	A un partenaire (oui/non)
dependents	A des personnes à charge (oui/non)
tenure_months	Ancienneté du client en mois
phone_service	Service téléphonique actif (oui/non)
multiple_lines	Plusieurs lignes téléphoniques (oui/non/aucun)
internet_service	Type d’internet (DSL, Fibre, Aucun)
online_security	Sécurité en ligne (oui/non)
online_backup	Sauvegarde en ligne (oui/non)
device_protection	Protection des appareils (oui/non)
tech_support	Support technique (oui/non)
streaming_tv	Streaming TV (oui/non)
streaming_movies	Streaming Films (oui/non)
contract	Type de contrat (Month-to-Month, One-Year, Two-Year)
paperless_billing	Facturation sans papier (oui/non)
payment_method	Méthode de paiement (Electronic Check, Bank Transfer, etc.)
monthly_charges	Montant facturé chaque mois
total_charges	Montant total payé par le client
churn_label	Churn : Oui/Non (objectif)
churn_value	Valeur numérique du churn (0/1)
churn_score	Score interne / prédiction initiale
cltv	Customer Lifetime Value (valeur client sur la durée)
churn_reason	Raison du churn (texte, descriptif uniquement)

Analyse exploratoire (EDA)

1. Contract Type vs Churn Label
   Les clients en Month-to-Month présentent le taux de churn le plus élevé, tandis que ceux en contrat One-Year ou Two-Year sont plus fidèles.
2. Tenure Group vs Churn Label
   Les clients avec 0 à 12 mois d’ancienneté churnent le plus, les clients plus anciens sont protégés.
3. Tech Support vs Churn Label
   Les clients sans support technique churnent plus souvent. Le support technique est un facteur protecteur.
4. Online Security vs Churn Label
   Les clients sans sécurité en ligne churnent plus que ceux qui ont ce service.
5. Online Backup vs Churn Label
   Les clients sans sauvegarde en ligne ont un taux de churn plus élevé.
6. Device Protection vs Churn Label
   Les clients sans protection des appareils churnent davantage.
7. Streaming TV vs Churn Label
   L’effet sur le churn est faible, mais les clients sans streaming TV churnent légèrement plus.
8. Streaming Movies vs Churn Label
   Même constat que pour le streaming TV.
9. Monthly Charges vs Churn Label
   Les clients avec des charges mensuelles plus élevées churnent légèrement plus, avec quelques outliers.
10. Total Charges vs Churn Label
    Les clients avec des charges totales faibles churnent le plus, les clients avec de grosses charges sont plus fidèles.
11. Paperless Billing vs Churn Label
    Les clients en facturation sans papier churnent plus que ceux en facturation papier.
12. Payment Method vs Churn Label
    Les clients utilisant Electronic Check churnent le plus, tandis que ceux utilisant Bank Transfer ou Credit Card automatique sont plus stables.

Métriques prévues pour le modèle

• Accuracy
• Precision
• Recall
• F1-Score
• Courbe ROC / AUC