Icon

Modularbeit_​Business-Analytics_​Wolter

Daten einlesen vom Space

Daten zusammenführen

Daten aufbereitung

Wie vergleicht man vertragsbeginn am besten mit kündigung damit man zusätzlich auch filtern kann nach alel verträge die innerhalb von 12 monaten gekündigt wurden

Auswertungen zusammenziehen. Lässt sich ein Schma erkennen? Das dann vlt auch mit den Auswertungen für generell Kündigungen vergleichen. Wenn Gruppierungen zu erkennen sind diese in eine Excel packen.

hier noch monate rückwärts rechnen das du alles wo letzer vertragsbeginn war 12 monate zurückrechnest die kein kündigung haben da diese auch noch in den 12 monaten wären alle darüber sind über 12 monate - alle unter 12 monate missing value die nicht gekündigt haben

bei kursbesuche und umsatz per mathformular negative werte zu pos äbndern - da annahme das zahölendreher

tarif die ? zu missing values machen mit rule enigne

Deskriptive Analyse

Neuronales Netz

Random Forest / Decision Trees

Aufteilen aller Kategorien
One to Many
Support Anfragen in Bezug zu Kündigung
One-way ANOVA
Relation Tarife zu Kündigung
Crosstab
Binner
Normalisieren aller numerischen Spalten
Normalizer
Überprüfung einer Korrelation der Attribute
Linear Correlation
Kündigung in relation zu Teilnahme am gewinnspiel
Crosstab
alle monate größer als 12 filtern; Vertragsbeginn Jahr alles unter 21 Filtern; Alle Jahre unter 18 und über 90 Filtern
Row Filter
Aufbau der Prediction Spalte für Model
Math Formula
Anpassen der Menge von frühen Kündigern und Späten Kündigern für Test Daten
SMOTE
Ausmisten von Ausreisern beim Umsatz
Numeric Outliers
Definieren von frühen Kündigern und spät Künmdigern und erstellen einer neuen Spalte
Rule Engine
Aufbau der Prediction Spalte für Model
Math Formula
Number to String
Aufteilen in Trainings und Test daten
Table Partitioner
Kontrolle
Bar Chart (JavaScript) (legacy)
Mailing vor Mindestlaufzeit zu Kündigung
Crosstab
Number to String
Umsätze in pos Werte wandeln
Math Formula
Visuelle Darstellung
Binary Classification Inspector
Kursbesuche gesamt in pos Werrte wandeln
Math Formula
Kursbesuche in Bezug zu Kündigung
One-way ANOVA
Aufbau der Prediction Spalte für Model, Wenn noch nicht gekündigt wurde Monate seit start
Math Formula
Bar Chart
tarife die mit "?" gefüllt sind in missing values umwandeln
Rule Engine
Normalizer
EMS Pack von binären 0 und 1 in Ja Nein aussagen wandeln
Rule Engine
Rausfiltern von nicht benötigten Spalten für die Modelle
Column Filter
Normalizer
App Nutzung von binären 0 und 1 in Ja Nein aussagen wandeln
Rule Engine
Teilnahme Gewinnspiel von binären 0 und 1 in Ja Nein aussagen wandeln
Rule Engine
Personal Training von binären 0 und 1 in Ja Nein aussagen wandeln
Rule Engine
Datenstand 12.12.25Urban Active 1
Excel Reader
Datenstand 12.12.25Urban Active 2
Excel Reader
Datenstand 12.12.25UrbanActive 3
Excel Reader
Concatenate
E-Mail Newsletter passt nein zu Nein an um eine Kategorie zu haben
String Replacer
Definieren der Zeitspanne von aktuell aktiven Kunden und Kunden die bereits gekündigt haben
Rule Engine
Bilden von Durchschnitt Kursbesuche
Math Formula
Bildung Umsatz pro Monat für Vergleichbarkeit
Math Formula
Kontrolle
Data Explorer
Bar Chart
Lernen anhand von Testdaten wann jemand früh kündigt oder nicht
Random Forest Learner
Bilden von Durchschnitt Supportanfragen
Math Formula
Kontrolle
Data Explorer
Normalizer
Visualisierung
Scorer
Kontrolle
Data Explorer
Bar Chart
Vertragsbeginn zu Kündigung
Crosstab
Model welches nun versucht aussagen zu treffen
Random Forest Predictor
Kontrolle
Data Explorer
Umwandlung der Dauer Verträge in rein pos. Zahlen
Math Formula
Joiner
Loop Ende
Parameter Optimization Loop End
Model welches nun versucht aussagen zu treffen wann jemand kündigt
Decision Tree Predictor
Data Explorer
Loop start
Parameter Optimization Loop Start
Lernen anhand von Testdaten wann jemand früh kündigt oder nicht
Decision Tree Learner
Anpassung von Missing Values von Familienstand, Email Newsletter, App Nutzung, Tarif, Mailing vor Mindestlaufzeit, Alter und Anzahl Zahlungsverzug
Missing Value
Lernen des neuronalen Netzes
RProp MLP Learner
Missing values bei Prediction entfernen
Missing Value
Aufteilen aller Kategorien
One to Many
Visualisierung
Scorer
passt das Geschlecht an F zu weiblich
String Replacer
Normalisieren aller Numerischen Spalten
Normalizer
Kontrolle mit Data Explorer
Data Explorer
Neuronales Netz Model welches vorhersagen macht
MultiLayerPerceptron Predictor
Umsatz pro Monat in Bezug zu Kündigung
One-way ANOVA
Visuelle Darstellung der Auswertung
Scorer
Passt das Geschlecht an, damit es nur noch zwei Geschlehts kategorien gibt M zu männlich.
String Replacer

Nodes

Extensions

Links