Description

Analisis data Telco Customer Churn bertujuan untuk memahami faktor-faktor yang mempengaruhi pelanggan meninggalkan layanan telekomunikasi suatu perusahaan. Dalam era persaingan yang ketat, memahami pola churn pelanggan menjadi sangat krusial bagi perusahaan telekomunikasi untuk mengembangkan strategi retensi yang efektif. Melalui analisis ini, perusahaan dapat mengidentifikasi karakteristik pelanggan yang berisiko churn, mengevaluasi dampak berbagai faktor seperti kualitas layanan, harga, dan dukungan pelanggan, serta merancang program retensi yang tepat sasaran. Dengan demikian, analisis churn tidak hanya membantu mengurangi tingkat churn tetapi juga meningkatkan kepuasan dan loyalitas pelanggan secara keseluruhan.

Data Understanding

Dataset yang digunakan adalah data Telco Customer Churn dengan nama file telco-churn.csv dari tautan https://www.kaggle.com/datasets/blastchar/telco-customer-churn. Dataset ini digunakan untuk memprediksi perilaku untuk mempertahankan pelanggan (Customer Retention Program) pada suatu perusahaan telekomunikasi (telco), dari  Kumpulan Data Contoh IBM.

Setiap baris mewakili pelanggan, setiap kolom berisi atribut dari pelanggan, kumpulan data mencakup informasi tentang:

• Layanan yang telah didaftarkan oleh setiap pelanggan – layanan telepon, banyak saluran, internet, keamanan online, pencadangan online, perlindungan perangkat, dukungan teknis, serta streaming TV dan film
• Informasi akun pelanggan – berapa lama mereka menjadi pelanggan, kontrak, metode pembayaran, penagihan tanpa kertas, tagihan bulanan, dan total tagihan
• Informasi demografis tentang pelanggan – jenis kelamin, rentang usia, dan apakah mereka memiliki partner dan tanggungan
• Pelanggan yang keluar dalam sebulan terakhir – kolomnya disebut Churn

Ekspolrasi Data

Terdapat 7043 baris dan 21 kolom pada dataset tersebut

Dapat dilihat, pada kolom customer ID, semua unique, selanjutnya rata rata independent variable dengan jumlah unique 2 hingga 4, kecuali tenure monthly charges dan total charges. 

Kolom churn berisi kelas / dependent variable dengan jumlah unique 2 yaitu “Yes” dan “No”, terdapat 1869 customer yang churn dari 7043 customer secara keseluruhan.

Ada data yang tidak sesuai deskripsi fitur, yaitu 'TotalCharges' seharusnya bertipe data angka (float64), bukan string/object. Setelah diperiksa, ternyata ada data yang kosong ' ' pada kolom tersebut (missing value).

Data Cleaning

Setelah dilakukan ekspolrasi data, terdapat missing values pada pada kolom 'TotalCharges', maka data kosong tersebut  diganti angka 0, kemudian tipe data diganti menjadi float64

Tidak ada data yang terduplikasi

Kemudian kolom CustomerID di drop, karena semua data unique, sehingga sekarang hanya terdapat 7043 baris dan 20 kolom pada dataset tersebut

Exploratory Data Analysis

Dilakukan pemetaan setiap kolom terhadap dependent variable, dengan menggunakan pie chart atau histogram data

•Berdasarkan hasil visualisasi per fitur, terdapat beberapa 3 kelompok fitur berdasarkan tingkat signifikansi:

▫Kurang Berpengaruh : gender, PhoneService, MultipleLines, StreamingTV, StreamingMovies

▫Cukup Berpengaruh : SeniorCitizen, Partner, Dependents, PaperlessBilling

▫Berpengaruh : tenure, InternetService, OnlineSecurity, OnlineBackup, DeviceProtection, TechSupport, Contract, PaymentMethod, MonthlyCharges, TotalCharges

Data Preprocessing

Berdasarkan EDA yang telah dilakukan, maka fitur yang kurang berpengaruh akan didrop (tidak dipakai) dalam modeling

Selanjutnya dilakukan pemisahan kolom antara independent variable dan dependent variable

Dilakukan encoding pada data kategorikal

Normalisasi data pada independent Variable

Encoding dependent variable menjadi 0 dan 1

Membagi data menjadi data train dan test dengan proporsi 75:25

Data Modeling

LogisticRegression Classifier

XGBoost Classifier

Kesimpulan

Dengan menggunakan data customer yang lainnya, model tersebut dapat digunakan untuk memprediksi potensi kecenderungan customer tersebut apakah akan churn atau tidak

Faktor yang paling berpengaruh adalah tenure, InternetService, OnlineSecurity, OnlineBackup, DeviceProtection, Contract, PaymentMethod, MonthlyCharges, TotalCharges

Beberapa pertimbangan dalam memprediksi pelanggan dengan potensi churn yang tinggi:

▫tenure : pelanggan dengan masa kontrak yang masih baru, memiliki kecendrungan untuk melakukan churn

▫InternetService : pelanggan dengan kategori internet service "fiber optic" memiiki kencendrungan churn yang tinggi

▫OnlineSecurity, OnlineBackup, DeviceProtection, Contract : data customer dengan kategori "No" pada 4 fitur tersebut memilki kencendrungan churn yang tinggi

▫PaymentMethod : pelanggan dengan kategori "Electronic Check" memiiki kencendrungan churn yang tinggi

▫MonthlyCharges : pelanggan dengan biaya bulanan tinggi memiliki kencendrungan churn yang tinggi

▫TotalCharges : pelanggan dengan total biaya langganan yang rendah memiliki kencendrungan churn yang tinggi