Comment ça marche
Ce site répond à une question simple : quels clients risquent de partir bientôt, et quels indices font penser cela au modèle ?
Le tableau montre quels clients peuvent arrêter un service. Dans les projets data, on appelle souvent cela le churn. Ici, l'interface parle surtout de départ, car c'est plus simple.
Il met en avant les clients les plus susceptibles de partir, l'argent mensuel lié à ces clients et les grandes raisons vues par le modèle.
Une forte chance de partir signifie que le client ressemble à des clients qui sont partis dans le passé. C'est un signal d'alerte, pas une certitude.
Le graphique des raisons montre quels détails client ont le plus compté pour le modèle. Cela explique la prédiction, mais ne prouve pas une cause directe.
Python nettoie chaque ligne client. Il prépare les nombres comme la facture mensuelle et les mois comme client. Il transforme aussi les mots comme le type de contrat en colonnes 0/1.
Le modèle donne à chaque client une chance de partir de 0% à 100%. L'application transforme ensuite ce score en risque faible, moyen ou élevé.
Le projet utilise la régression logistique de scikit-learn. Le modèle prédit une réponse parmi deux choix : le client part ou le client reste.
Elle est utilisée parce qu'elle est rapide, plus facile à expliquer que beaucoup d'autres modèles et donne une chance de départ en pourcentage.
Airbyte Cloud déplace le fichier client public vers la base Neon.
Airbyte n'entraîne pas le modèle. Il charge les données. Ensuite Python nettoie les données, entraîne le modèle et sauvegarde les tables prêtes pour le tableau.
Airbyte lit le fichier client public et le charge dans Neon PostgreSQL.
La base garde les lignes originales pour que Python ait un point de départ propre.
Python nettoie les noms de colonnes, corrige les valeurs manquantes et prépare les détails clients utiles.
Python entraîne un modèle qui estime la chance de départ de chaque client.
Le pipeline sauvegarde les chiffres clés, les prédictions client et les raisons possibles de départ.
Le tableau montre les résultats, et le chatbot répond aux questions avec ces tables.
raw.customer_churnLignes client originales chargées par Airbyte.
analytics.customer_healthLignes client propres utilisées par le tableau.
analytics.churn_predictionsUne ligne par client avec chance de partir et niveau de risque.
analytics.kpi_summaryChiffres clés du tableau.
analytics.model_evaluationNombres qui expliquent les cartes de score du modèle.
analytics.churn_driversDétails client qui ont le plus compté pour le modèle.