Yettel projekt dokumentációja

Célkitűzések

• Busines tasks:

  • Csalásra és nem fieztésre hajlamos ügyfelek kiszűrése ügyfél, termék és fizetéssel kapcsolatos jellemzők alapján
  • Prediktív modell készítése a fent említett ügyfelek detektálására
  • Csalásmegelőzési stratégiák kialakítása (magas kockázatú ügyfelek és termékcsoportok azonosítása)
    

• Busines goals:

  • Csalásokból adódó pénzügyi veszteség csökkentése
  • Csalás detektálás pontosságának növelése
  • Téves riasztások minimalizálása a nem csaló ügyfelek esetében
  • Elemzési eredmények biztosítása döntéshozók számára

  Előzetes hipotézisek:

  • Magasabb értékű telefonok esetéven gyakoribb lehet a csalás (Nem igazolt)
  • Fiatalabbak körében valószínübb a csalás esélye (Igazolt)
  • Egyes megyékben kiemelkedőbb a csalások száma (Igazolt)
  • Időszakos tendenciák megfigyelhetők (Részben igazolt)
    Mivel 1 év adatai állnak rendelkezésre ezért éves tendenciát nem lehet meghatározni.
    De ha a havi tendenciát nézzük akkor decemberben és az első negyedévben történt a legtöbb csalás
  • Egyes termékeknél magasabb a csalási arány (Igazolt) -- > top 10 termék
  • Webes vásárlások jobban vonzzák a csalókat (Nem igazolt)

  Adatok előkészítése:

  • Hiányzó és duplikált értékek szűrése
  • Installment_cnt átírása 0-ra ahol nem volt részletfizetés (?->0) Itt sok hiányzó adat lett volna
  • Operating_system hiányzó adatainak pótlása ahol egyértelmű a gyártó meghatározása
  • Outlet_county pótlása ahol virtuális vásárlás történt (customer_county->outlet_county)
  • Többi hiányzó érték eldobása (>10%)
  • DateTime adatok felbontása külön oszlookba
  • TODO ár alapú feature-k bevezetése (Discount, No_upfront_payment, stb.)

  Adatok elemzése az előzetes hipotézisek alapján:

  Lásd a kód EDA részét részletesebb információkért

  Adatok szervezése tanításra és tesztre

  • Kategórikus feature-k ekódolása, numerikus feature-k skálázása
  • Cél metrikák: ROC_AUC score, confusion_matrix (Precision, Recall, f1-score)
  • Idősoros validáció, TODO majd train_test_split (70% train, 15% test, 15% val)

  Modellek:

  • Baseline modell: Logistic Regression - Nagyon sok a false positive viszont a csalók nagyobb részét megtalálja
  • Random forest modell : Lényegesen kevesebb a false positive arány de még mindig szignifikáns, csalók ~50%-át találja meg
  • TODO XGboost - modell
  • TODO Feature selection - A random forest featurejeiből kiderült hogy a kor messze a leginkább meghatározó jellemző,
    szorosan utánuk az ár alapú jellemzőkkel együtt. Több figyelmet kellene ezekre a jellemzőkre fordítani

  TODO Minden csak a nem fizető ügyfelekre