Historique des contacts clients, y compris les appels entrants et sortants, les SMS et les emails.
Informations sur les clients, telles que l’âge, le sexe, le type de contrat, la durée du contrat et le montant de la facture.
Historique de l’utilisation des services, y compris les données, la voix et les messages.
Méthodologie :

Prétraitement des données : nettoyage, transformation et normalisation des données pour une utilisation optimale par le modèle de machine learning.
Sélection des caractéristiques : identification des caractéristiques les plus importantes pour la prédiction du taux de désabonnement.
Développement du modèle : utilisation d’un modèle de machine learning, tel que la régression logistique ou le random forest, pour prédire le taux de désabonnement des clients.
Validation du modèle : validation du modèle en utilisant des données de test et d’évaluation pour évaluer sa performance.
Interprétation des résultats : identification des facteurs les plus importants influençant le taux de désabonnement et proposition de solutions pour réduire ce taux.