Customer Churn Analysis
Analisis faktor-faktor yang mempengaruhi churn pelanggan menggunakan Python dan visualisasi data untuk mengusulkan strategi retensi yang lebih tepat sasaran.
The Challenge
Perusahaan kehilangan banyak pelanggan setiap kuartal tanpa tahu penyebab pasti. Perlu identifikasi faktor risiko churn dan rekomendasi aksi yang bisa diukur.
The Process
Alur kerja dari data mentah hingga insight dan visualisasi.
- 01
Pengumpulan Data
Menggabungkan data transaksi, demografi, dan interaksi layanan pelanggan.
- 02
Pembersihan Data
Menangani missing value, outlier, dan konsistensi label churn (aktif vs non-aktif).
- 03
EDA
Menganalisis korelasi fitur dengan churn: tenure, frekuensi transaksi, keluhan, dan segmentasi.
- 04
Model
Membandingkan beberapa model (logistic regression, tree) dan memilih yang paling interpretatif.
- 05
Visualisasi
Membuat grafik insight kunci dan ringkasan untuk presentasi ke bisnis.
The Solution / Insights
Grafik kunci dan penjelasan yang mudah dipahami.
Faktor yang Paling Mempengaruhi Churn
Grafik batang menunjukkan bahwa lama langganan (tenure) dan jumlah keluhan paling kuat korelasinya dengan churn. Artinya: fokus retensi di awal dan perbaiki layanan agar keluhan turun.
Segment Pelanggan Berisiko
Scatter plot memetakan pelanggan berdasarkan penggunaan dan tenure. Titik di area 'penggunaan rendah + tenure pendek' adalah kandidat utama untuk program retensi.
Impact (satu per baris)
- Meningkatkan akurasi prediksi churn sebesar ~15% dibanding baseline.
- Tim bisnis memakai segment risiko untuk kampanye retensi; early results menunjukkan penurunan churn di segmen target.