Python数据分析行业案例：客户流失分析

第1章 电信客户流失案例之商业理解 - 1-1 希望回答的商业问题 - 1-2 流失可能和哪些因素相关 - 1-3 如何定义时间窗口与收益 第2章 数据理解与数据准备 - 2-1 数据理解与准备阶段要做的工作 - 2-2 数据源概况 - 2-3 特征工程概述 - 2-4 数据探索：概述 - 2-5 数据探索：代码实现 - 2-6 极端值与异常值的处理 - 2-7 连续特征的转换 - 2-8 连续特征的分箱 - 2-9 分类特征的转换 - 2-10 缺失值处理 - 2-11 特征筛选 - 2-12 数据衍生的基本思路 - 2-13 实际数据处理 第3章 电信案例的建模分析 - 3-1 如何选择分析模型 - 3-2 聚类分析概述 - 3-3 聚类分析的方法分类 - 3-4 用聚类做群体细分 - 3-5 树模型的基本原理 - 3-6 树模型的各种算法 - 3-7 用树模型生成流失规则 - 3-8 神经网络的基本原理 - 3-9 神经网络的算法实质 - 3-10 用神经网络计算流失评分 - 3-11 参数的网格搜索 - 3-12 神经网络的参数调优 第4章 模型应用及营销预演 - 4-1 从模型结果到营销预演 - 4-2 营销预演的实现 - 4-3 进一步的改进方向 第5章 银行流失案例之商业理解 - 5-1 银行业务概述 - 5-2 流失分析对银行业务的价值 第6章 更专业的数据准备流程 - 6-1 内部与外部数据源 - 6-2 数据字典 - 6-3 银行数据的预处理 - 6-4 银行数据的变量衍生 - 6-5 第三方数据的处理 - 6-6 数据源的合并 第7章 银行案例的建模分析 - 7-1 GBDT方法介绍 - 7-2 GBDT模型的应用 - 7-3 GBDT调优1：模型整体参数 - 7-4 GBDT调优2：单棵树参数与综合调优 - 7-5 模型集成的基本原理 - 7-6 模型的联合应用 课程代码包