Netflix 風 解約予測分析 (Churn Analysis)

English | 日本語

プロジェクト概要

このプロジェクトは、サブスクリプション型サービスにおける顧客解約（Churn）を分析・予測することを目的としています。
ユーザー行動とエンゲージメントデータを基に、解約の要因を探り、ビジネス上の洞察を得るための解析パイプラインを構築しました。

※ レポートの調査結果はリポジトリの business_report セクションにまとめられています

---

データについて

• ユーザー数: 8,431
• 目的変数: churn（1 = 解約, 0 = 継続）

特徴量グループ

カテゴリ	特徴量
属性	年齢, 性別, 国
サブスクリプション	プラン, 月額支出
行動	セッション平均時間, セッション数, 1日あたり視聴時間
継続性	在籍日数, 最終視聴日からの経過日数
視聴完了	視聴完了率
エンジニアリング	閾値バケット（視聴量, 不活性, 完了率）
価値	視聴時間 / 支出

---

特徴量エンジニアリング

• watch_per_day: 1日あたりの視聴時間
• days_since_last_watch: 最終視聴からの日数
• completion_rate: 視聴完了率
• value_ratio: 視聴価値指標（視聴時間 ÷ 支出）

これらは単純な属性値ではなく、ユーザー行動の変化を捉えるために設計されました。

---

モデリング

• モデル: ロジスティック回帰（基準モデル）
• 学習: 行動特徴量とサブスク特徴量を用いた教師あり学習

評価結果

• Accuracy: 0.50
• ROC-AUC: 0.49
• Churn Recall: 0.49
• Churn Precision: 0.14

---

可視化とインサイト

以下の可視化を通じて、解約傾向を分析しました:

ROCカーブ

解約予測の性能を可視化。

混同行列

真陽性・偽陽性・真陰性・偽陰性の状況を確認。

モデル係数図

各特徴量が解約リスクに与える影響度を分析。

※ GitHub リポジトリ内の visuals/ に保存済み。

---

分析から読み取れること

• エンゲージメント低下が解約に強く結びつく
• 経過日数や視聴完了率が解約リスクを示唆
• 属性要素（年齢・国など）は弱いが、行動特徴は強い影響

---

改善と今後の展望

• 非線形モデル（LightGBM等）による改善
• 時系列的変化分析
• SHAP 等による特徴量の解釈性向上

---

🛠 使用技術

• Python,
• Pandas,
• Scikit-learn,
• Matplotlib,
• Seaborn,
• Jupyter Notebook