imma2000/churn-clv-segmentation-telecom-benin

Domaine:

socioeconomic

Type de record:

project

Créateur:

imm

Hôte:

Segmentation client par CLV et risque d'attrition — secteur télécom au Bénin # Segmentation Stratégique Client par CLV et Risque d'Attrition — Secteur Télécom (Bénin) > 20% des clients génèrent 46% du revenu total — ce projet transforme cette réalité en outil de priorisation actionnable pour les équipes de rétention. ## Contexte Les opérateurs télécoms traitent souvent tous leurs clients à risque de départ de la même façon, sans distinguer leur valeur réelle. Ce projet propose une approche combinant **profil actuel des clients** et **projection de leur valeur future (CLV)**, sur un dataset simulé représentatif du marché télécom béninois (1 million de clients). ## Ce que couvre le projet 1. **Exploration des données (EDA)** — profil client, distribution de l'ARPU, analyse Pareto 2. **Feature Engineering** — construction de la tendance ARPU sur 6 mois, encodage des variables catégorielles 3. **Modélisation comparée** — Régression Logistique, Random Forest et XGBoost, avec recherche d'hyperparamètres (RandomizedSearchCV) et interprétabilité (SHAP) 4. **Calibration des probabilités** — correction du biais introduit par la pondération des classes, nécessaire pour un usage financier fiable 5. **Calcul de la Customer Lifetime Value (CLV)** — projection sur 12 mois pondérée par la probabilité cumulée de rétention 6. **Segmentation stratégique** — matrice CLV × Risque de churn (4 quadrants) 7. **Dashboard Power BI** — restitution en 4 pages (Vue d'ensemble, Analyse du Churn, Présent, Futur) ## Stack technique Python (pandas, numpy, scikit-learn, XGBoost, SHAP) · Power BI (DAX) · Google Colab ## Résultats clés | Indicateur | Valeur | |---|---| | Recall du modèle retenu (XGBoost) | 78,8% | | AUC-ROC | 0,865 | | CLV moyenne (12 mois) | ~21 800 FCFA | | Concentration du revenu | 20% des clients → 46% du revenu | | Segment prioritaire | Haute valeur - Haut risque : 10,6% des clients, 17,4% du revenu | ## Aperçu du dashboard ## Limites du projet - Dataset **synthétique**, faute d'accès à des données opérateur réelles (confidentielles …

Visit

github.com

Similaires

isiimafidon/telecom-churn-prediction-nigeriaaugustineofosu/Capstone-Project---Telecom-Churn-In-GhanaBIGTUNZ/Expresso-Telecom-Churn-Prediction-Machine-Learning-Model-and-Streamlit-ApplicationCustomers Segmentation for Profitability Enhancement Using Data Mining Technique: The Case of ethio telecomMarket Segmentation of Mobile Internet Customers Using Clustering Algorithms: The Case of Ethio Telecomjoeagba/churn

isiimafidon/telecom-churn-prediction-nigeria

ML-based churn prediction for Nigerian telecom providers using Random Forest and Logistic Regression

augustineofosu/Capstone-Project---Telecom-Churn-In-Ghana

This project visualizes the trend of telecom churn in Ghana and gives insights on some factors that

BIGTUNZ/Expresso-Telecom-Churn-Prediction-Machine-Learning-Model-and-Streamlit-Application

This project predicts customer churn for Expresso, an African telecom company. Using the Expresso ch

Customers Segmentation for Profitability Enhancement Using Data Mining Technique: The Case of ethio telecom

Customer segmentation is dividing of customers into groups of individuals that have common character

Market Segmentation of Mobile Internet Customers Using Clustering Algorithms: The Case of Ethio Telecom

Telecom companies utilize data mining algorithms and tools to understand the behaviors of their cust

joeagba/churn

Data Science Nigeria Telecoms Churn # Churn Predicting the likelihood of churn among mobile telepho