Определение перспективного тарифа для телеком компании github

Определение перспективного тарифа для телеком компании

Содержание

  • 1  Определение перспективного тарифа для телеком компании
    • 1.1  Описание проекта
    • 1.2  Описание тарифов
    • 1.3  Описание данных
    • 1.4  Вывод

Описание проекта

Клиентам предлагают два тарифных плана: «Смарт» и «Ультра».
Мне предстоит сделать предварительный анализ тарифов на небольшой выборке клиентов. В моем распоряжении данные 500 пользователей «Мегалайна»: кто они, откуда, каким тарифом пользуются и т.д. за 2018 год. Нужно проанализировать поведение клиентов и сделать вывод — какой тариф лучше, чтобы скорректировать рекламный бюджет, коммерческий департамент компании «Мегалайн» хочет понять, какой тариф приносит больше денег.

Описание тарифов

  • Тариф «Смарт»

    • Ежемесячная плата: 550 рублей
    • Включено 500 минут разговора, 50 сообщений и 15 Гб интернет-трафика
    • Стоимость услуг сверх тарифного пакета:
      • минута разговора: 3 рубля
      • сообщение: 3 рубля
      • 1 Гб интернет-трафика: 200 рублей

  • Тариф «Ультра»

    • Ежемесячная плата: 1950 рублей
    • Включено 3000 минут разговора, 1000 сообщений и 30 Гб интернет-трафика
    • Стоимость услуг сверх тарифного пакета:
      • минута разговора: 1 рубль
      • сообщение: 1 рубль
      • 1 Гб интернет-трафика: 150 рублей

Описание данных

  • Таблица users (информация о пользователях):

    • user_id — уникальный идентификатор пользователя
    • first_name — имя пользователя
    • last_name — фамилия пользователя
    • age — возраст пользователя (годы)
    • reg_date — дата подключения тарифа (день, месяц, год)
    • churn_date — дата прекращения пользования тарифом (если значение пропущено, то тариф ещё действовал на момент выгрузки данных)
    • city — город проживания пользователя
    • tariff — название тарифного плана

  • Таблица calls (информация о звонках):

    • id — уникальный номер звонка
    • call_date — дата звонка
    • duration — длительность звонка в минутах
    • user_id — идентификатор пользователя, сделавшего звонок

  • Таблица messages (информация о сообщениях):

    • id — уникальный номер сообщения
    • message_date — дата сообщения
    • user_id — идентификатор пользователя, отправившего сообщение

  • Таблица internet (информация об интернет-сессиях):

    • id — уникальный номер сессии
    • mb_used — объём потраченного за сессию интернет-трафика (в мегабайтах)
    • session_date — дата интернет-сессии
    • user_id — идентификатор пользователя

  • Таблица tariffs (информация о тарифах):

    • tariff_name — название тарифа
    • rub_monthly_fee — ежемесячная абонентская плата в рублях
    • minutes_included — количество минут разговора в месяц, включённых в абонентскую плату
    • messages_included — количество сообщений в месяц, включённых в абонентскую плату
    • mb_per_month_included — объём интернет-трафика, включённого в абонентскую плату (в мегабайтах)
    • rub_per_minute — стоимость минуты разговора сверх тарифного пакета (например, если в тарифе 100 минут разговора в месяц, то со 101 минуты будет взиматься плата)
    • rub_per_message — стоимость отправки сообщения сверх тарифного пакета
    • rub_per_gb — стоимость дополнительного гигабайта интернет-трафика сверх тарифного пакета (1 гигабайт = 1024 мегабайта)

Вывод

Рекламный бюджет выгоднее всего перераспределить в пользу тарифа ultra, несмотря на то, что его абоненты не покупают дополнительные минуты и смс, в отличие от абонентов тарифа smart. Так же можно заметить, что медианное и среднее значение дохода у абонентов тарифа ultra выше.
В процессе работы, было выявлено, что в целом данные приходят без артефактов и достаточно чистые, за исключением столбца churn_date таблицы users. Я бы предложил при их сборе дополнительно помечать абонентов каким то максимально разумным значением или же условным нулем, чтобы упростить анализ, тем что нет необходимости дополнительно придумывать условные флаги, которые сможет переработать компьютер.К тому же если над подобными данными будут работать несколько сотрудников и каждый из них определит для себя индивидуальный флаг, то в дальнейшем при объединении работ могут появиться баги, которые сложно будет отловить.
Так же исследовав предоставленные данные мы смогли проверить гипотезы. Эти данные помогли нам опровергнуть гипотезу о том, что средняя выручка пользователей разных тарифов равна, а так же с большой вероятностью сказать, что средняя выручка пользователей из Москвы равна выручке пользователей из других регионов.
Кроме того, в процессе анализа мы узнали, что в среднем разница медианных и среднеарифметических значений дохода с разных тарифов отличается ~1000 в пользу тарифа ultra

Источник

Проект из обучающих курсов Яндекс. Практикум

Determining a prospective tariff for a Telecom company

Определение перспективного тарифа для телеком компании

Описание проекта

Вы аналитик компании «Мегалайн» — федерального оператора сотовой связи. Клиентам предлагают два тарифных плана: «Смарт» и «Ультра». Чтобы скорректировать рекламный бюджет, коммерческий департамент хочет понять, какой тариф приносит больше денег.
Вам предстоит сделать предварительный анализ тарифов на небольшой выборке клиентов. В вашем распоряжении данные 500 пользователей «Мегалайна»: кто они, откуда, каким тарифом пользуются, сколько звонков и сообщений каждый отправил за 2018 год. Нужно проанализировать поведение клиентов и сделать вывод — какой тариф лучше.

alt text

Описание тарифов

Тариф «Смарт»

Ежемесячная плата: 550 рублей
Включено 500 минут разговора, 50 сообщений и 15 Гб интернет-трафика
Стоимость услуг сверх тарифного пакета:
минута разговора: 3 рубля
сообщение: 3 рубля
1 Гб интернет-трафика: 200 рублей

Тариф «Ультра»

Ежемесячная плата: 1950 рублей
Включено 3000 минут разговора, 1000 сообщений и 30 Гб интернет-трафика
Стоимость услуг сверх тарифного пакета:
минута разговора: 1 рубль
сообщение: 1 рубль
1 Гб интернет-трафика: 150 рублей
Обратите внимание: «Мегалайн» всегда округляет вверх значения минут и мегабайтов. Если пользователь проговорил всего 1 секунду, в тарифе засчитывается целая минута.

Путь к файлам:

calls.csv
internet.csv
messages.csv
tariffs.csv
users.csv
Источник

Определение перспективного тарифа для телеком компании

Описание проекта.

Клиентам предлагают два тарифных плана: «Смарт» и «Ультра». Чтобы скорректировать рекламный бюджет, коммерческий департамент хочет понять, какой тариф приносит больше денег.
В данном проекте мы выполним предварительный анализ тарифов на небольшой выборке клиентов. В нашем распоряжении данные 500 пользователей «Мегалайна»: кто они, откуда, каким тарифом пользуются, сколько звонков и сообщений каждый отправил за 2018 год. Проведём анализ поведения клиентов и сделаем вывод — какой тариф лучше.

Инструменты:

Python
Pandas
Matplotlib
numpy
SciPy
описательная статистика
проверка статистических гипотез
math
Seaborn
sklearn
машинное обучение

Краткое содержание о проделанной работе:

Оператор мобильной связи выяснил: многие клиенты пользуются архивными тарифами.
Проведен предварительный анализ использования тарифов на выборке клиентов,
проанализировано поведение клиентов при использовании услуг оператора и
рекомендованы оптимальные наборы услуг для пользователей.
Проверены гипотезы о различии выручки абонентов разных тарифов и
различии выручки абонентов из Москвы и других регионов.
Определен выгодный тарифный план для корректировки рекламного бюджета.
Разработана система, способная проанализировать поведение клиентов и предложить пользователям новый тариф.

Данные и выводы

В итоговом заключении делаем вывод о том, что коммерческому департаменту можно рекомендовать скорректировать рекламный бюджет в сторону тарифа «Smart», т.к. по тарифному плану «Ultra» приток выручки намного выше и без рекламных инвестиций при том же объёме использования средств связи, а это говорит, о том что такой тариф выбирают пользователи, которые готовы переплачивать за связь вне зависимости от ежемесячного использования включенных пакетов, такое поведение характерно организациям и бизнесу, а занчит затраты на рекламу могут не принести желаемого результата.

Если проект не открывается, его можно просмотреть по ссылке: Determination_of_a_promising_tariff

Источник

  1. # Определение перспективного тарифа для телеком компании

  3. ##### Задача: проанализировать поведение клиентов компании Мегалайн и сделать вывод — какой тариф выгоднее продвигать: Смарт или Ультра.

  4. 1. Провести первичный анализ данных

  5. 2. Провести предобработку данных (привести к нужным типам и исправить ошибки)

  6. 3. Добавить необходимые данные в таблицы (количество сделанных звонков и израсходованных минут разговора по месяцам; количество отправленных сообщений по месяцам; объем израсходованного интернет-трафика по месяцам; помесячную выручку с каждого пользователя)

  7. 4. Описать поведение клиентов (среднее кол-во сообщений, минут разговора, объем трафика)

  8. 5. Проверить гипотезы: средняя выручка пользователей тарифов «Ультра» и «Смарт» различается; средняя выручка пользователей из Москвы отличается от выручки пользователей из других регионов

  11. ## Первичный анализ данных

  13. Импортируем необходимые библиотеки:

  15. import pandas as pd

  16. import matplotlib.pyplot as plt

  17. import numpy as np

  18. import scipy.stats as st

  20. Импортируем данные:

  22. calls_data = pd.read_csv(‘/datasets/calls.csv’)

  23. internet_data = pd.read_csv(‘/datasets/internet.csv’)

  24. messages_data = pd.read_csv(‘/datasets/messages.csv’)

  25. tariffs_data = pd.read_csv(‘/datasets/tariffs.csv’)

  26. users_data = pd.read_csv(‘/datasets/users.csv’)

  28. print(calls_data.info())

  29. calls_data.head()

  31. print(internet_data.info())

  32. internet_data.head()

  34. print(messages_data.info())

  35. messages_data.head()

  37. tariffs_data.head()

  39. print(print(users_data.info()))

  40. users_data.head()

  42. #### Вывод

  43. — Обнаружен неверный формат даты во всех таблицах с датами (4шт)

  44. — Необходимо округлить время звонков и мегабайты трафика в большую сторону в соответствии с условиями тарифов

  46. ## Предобработка

  48. Добавим в каждую из 3 базовых таблиц с данными колонку с месяцем. Для этого вначале приведем даты к формату datetime:

  50. #приводим в формат datetime

  51. calls_data[‘call_date’] = pd.to_datetime(calls_data[‘call_date’], format=‘%Y-%m-%d’)

  52. messages_data[‘message_date’] = pd.to_datetime(messages_data[‘message_date’], format=‘%Y-%m-%d’)

  53. internet_data[‘session_date’] = pd.to_datetime(internet_data[‘session_date’], format=‘%Y-%m-%d’)

  55. #добавляем столбец month

  56. calls_data[‘month’] = pd.to_datetime(calls_data[‘call_date’]).dt.month

  57. messages_data[‘month’] = pd.to_datetime(messages_data[‘message_date’]).dt.month

  58. internet_data[‘month’] = pd.to_datetime(internet_data[‘session_date’]).dt.month

  61. #округлим в большую сторону звонки и сообщения

  62. calls_data[‘duration’] = calls_data[‘duration’].apply(np.ceil).replace(0, 1)

  63. internet_data[‘mb_used’] = internet_data[‘mb_used’].apply(np.ceil).replace(0, 1)

  65. #в таблице с интернет-трафиком для дальнейшего анализа переведем мб в гб

  66. internet_data[‘gb_used’] = (internet_data[‘mb_used’] / 1024)

  68. #объединим сообщения и звонки

  69. calls_msgs_data = calls_data.merge(messages_data, on=[‘user_id’, ‘month’], suffixes=[‘_calls’, ‘_message’])

  70. calls_msgs_data

  71. #сделаем pivot для трех таблиц. сгруппируем по user_id и посчитаем кол-во звонков:

  72. calls_data_grouped = calls_data.pivot_table(index=[‘user_id’, ‘month’], values=‘duration’,

  73.                                                    aggfunc=[‘sum’, ‘count’])

  74. internet_data_grouped = internet_data.pivot_table(index=[‘user_id’, ‘month’], values=‘gb_used’,

  75.                                                    aggfunc=[‘sum’])

  76. calls_data_grouped.reset_index()

  77. calls_data_grouped.columns = [‘calls_duration’, ‘calls_amount’]

  79. internet_data_grouped.columns = [‘gb_used’]

  80. internet_data_grouped.reset_index()

  82. messages_data_grouped = messages_data.pivot_table(index=[‘user_id’, ‘month’], values=‘id’, aggfunc=‘count’)

  83. messages_data_grouped.reset_index()

  84. messages_data_grouped.columns=[‘messages_amount’]

  88. calls_internet_merged = calls_data_grouped.merge(internet_data_grouped, on=[‘user_id’, ‘month’], how=‘left’)

  89. telecom_data = calls_internet_merged.merge(messages_data_grouped, on=[‘user_id’, ‘month’], how=‘left’)

  90. telecom_data_pvt = telecom_data.pivot_table(index=[‘user_id’, ‘month’])

  91. telecom_data_pvt=telecom_data_pvt.reset_index()

  94. Добавим к telecom_data информацию о пользователях (предварительно приведя в формат datetime дату регистрации)

  96. В таблице total_data увидим помесячно кол-во и длительность звонков, кол-во сообщений и объем использованного трафика для каждого пользователя

  98. users_data[‘reg_date’] = pd.to_datetime(users_data[‘reg_date’], format=‘%Y-%m-%d’)

  99. users_data[‘churn_date’].fillna(‘2019-01-01’, inplace=True)

  100. #если дата ухода клиента отстутствует, делаем вывод, что хотя бы в янв 2019 он остался

  102. users_data[‘churn_date’] = pd.to_datetime(users_data[‘churn_date’], format=‘%Y-%m-%d’)

  103. total_data = telecom_data_pvt.merge(users_data, on=‘user_id’, how=‘right’).pivot_table(

  104.     index=[‘user_id’, ‘first_name’, ‘last_name’, ‘age’, ‘city’, ‘tariff’, ‘reg_date’, ‘churn_date’, ‘month’])

  105. total_data = total_data.reset_index()

  107. #округлим кол-во гигабайт, чтобы далее при подсчете экстра стоимости за пределами тарифа не накапало

  108. #лишних «копеек» за мегабайты

  109. total_data[‘gb_used’] = total_data[‘gb_used’].apply(np.ceil)

  112. def out_lim(row):

  113. if row[‘tariff’] == ‘smart’:

  114. if row[‘messages_amount’] > 50:

  115.             messages_extra = (row[‘messages_amount’] — 50)*3

  116. else:

  117.             messages_extra = 0

  118. if row[‘calls_amount’] > 500:

  119.             calls_extra = (row[‘calls_amount’] — 500)*3

  120. else:

  121.             calls_extra = 0

  122. if row[‘gb_used’] > 15:

  123.             gb_extra = (row[‘gb_used’] — 15)*200

  124. else:

  125.             gb_extra = 0

  126.         total_cost = messages_extra + calls_extra + gb_extra + 550

  127. if row[‘tariff’] == ‘ultra’:

  128. if row[‘messages_amount’] > 1000:

  129.             messages_extra = (row[‘messages_amount’] — 1000)*1

  130. else:

  131.             messages_extra = 0

  132. if row[‘calls_amount’] > 3900:

  133.             calls_extra = (row[‘calls_amount’] — 3000)*1

  134. else:

  135.             calls_extra = 0

  136. if row[‘gb_used’] > 30:

  137.             gb_extra = (row[‘gb_used’] — 30)*150

  138. else:

  139.             gb_extra = 0

  140.         total_cost = messages_extra + calls_extra + gb_extra + 1950

  141. return total_cost

  143. total_data[‘total_cost’] = total_data.apply(out_lim, axis=1)

  144. total_data.pivot_table(index=[‘user_id’, ‘first_name’, ‘last_name’, ‘age’, ‘city’, ‘tariff’, ‘reg_date’, ‘churn_date’, ‘month’])

  146. ## Анализ данных

  148. Посчитаем среднее, дисперсию и ст. отклонение для тарифа smart.

  150. smart_data = total_data.query(‘tariff == «smart»‘)

  151. smart_data[[‘total_cost’]].describe()

  152. #среднее равно 1171 руб

  153. # ст.откл. = 745 руб

  155. Посчитаем дисперсию и мат.ожидание для тарифв Smart:

  157. variance_smart = np.var(smart_data[[‘total_cost’]])

  158. variance_smart

  160. expectation_smart = variance_smart**0.5

  161. expectation_smart

  163. То же сделаем для тарифв Ultra:

  165. ultra_data = total_data.query(‘tariff == «ultra»‘)

  166. ultra_data[[‘total_cost’]].describe()

  167. #среднее равно 2071 руб

  168. # ст.откл. = 382 руб

  170. variance_ultra = np.var(ultra_data[[‘total_cost’]])

  171. variance_ultra

  173. expectation_ultra = variance_ultra**0.5

  174. expectation_ultra

  176. Построим диаграммы размаха для каждого тарифа:

  178. smart_data[[‘total_cost’]].boxplot(vert=False)

  180. parameters = smart_data[[‘total_cost’]].describe().T

  181. q1, q2 = parameters[‘25%’][0], parameters[‘75%’][0]

  182. iqr = q2 — q1

  183. max_value = q2 + 3*iqr

  184. max_value #макс значениие. все что больше считаем выбросами

  186. ultra_data[[‘total_cost’]].boxplot(vert=False)

  188. Видим, что в тарифе Ultra практически никто не выходит за рамки тарифа, тогда как в тарифе Smart при стоимости 550р в месяц разброс относительно большой, а мат.ожидание равно 745 руб.

  189. Нормальные значения для тарифа smart от 550руб до 1550руб, прочие можем считать выбросами. Максимально допустимое значение у тарифа smart — 4550 руб.

  190. Для тарифа Ultra нормальное значение — цена тарифа, 1950р.

Источник
1 Вводный проект. Музыка больших городов Сравниваем данные пользователей Яндекс.Музыки по городам и дням недели Python Pandas 2 Исследование надежности заемщиков Разбираемся, влияет ли семейное положение и количество детей клиента на факт погашения кредита в срок. Анализируем данные о клиентах банка и определяем долю кредитоспособных предобработка данных Python Pandas 3 Исследование объявлений о продаже квартир Исследуем архив объявлений о продаже объектов недвижимости в Санкт-Петербурге и Ленинградской области (основные свойства данных, поиск закономерностей, распределений и аномалий) Python Pandas Matplotlib предобработка данных исследовательский анализ данных визуализация данных 4 Определение перспективного тарифа для телеком-компании Делаем предварительный анализ тарифов на небольшой выборке клиентов. Анализируем поведение клиентов и делаем вывод, какой тариф лучше Python Pandas Matplotlib NumPy SciPy проверка статистических гипотез описательная статистика 5 Сборный проект 1. Анализ рынка продаж компьютерных игр Ищем закономерности в данных о продаже игры и выявляем те, которые определяют их успешность. Это позволият сделать ставку на потенциально популярный продукт и спланировать рекламные кампании Python Pandas NumPy Matplotlib предобработка данных исследовательский анализ данных описательная статистика проверка статистических гипотез 6 Базовый SQL Пишем ряд запросов разной сложности к базе данных, в которой хранятся данные по венчурным инвесторам, стартапам и инвестициям в них SQL PostgreSQL 7 Анализ бизнес-показателей развлекательного приложения На основе данных изучаем поведение пользователей, а также анализируем доходность клиентов и окупаемость рекламы, чтобы предложить рекомендации для отдела маркетинга Python Pandas Matplotlib когортный анализ юнит-экономика продуктовые метрики Seaborn 8 Продвинутый SQL С помощью Python и SQL подключаемся к базе данных, считаем и визуализируем ключевые метрики сервис-системы вопросов и ответов о программировании SQL PostgreSQL 9 Принятие решений в бизнесе Анализируем результаты A/B-тестирования в крупном интернет-магазине, приоритизируем гипотезы Python Pandas Matplotlib SciPy A/B-тестирование проверка статистических гипотез 10 Сборный проект 2. Анализ поведения пользователей мобильного приложения Исследуем воронку продаж и анализируем результаты A/A/B-тестирования в мобильном приложении Python Pandas Matplotlib SciPy A/B-тестирование проверка статистических гипотез Seaborn событийная аналитика продуктовые метрики Plotly визуализация данных 11 Исследование рынка общественного питания Исследование рынка на основе открытых данных о заведениях общественного питания Москвы Python Pandas Matplotlib Seaborn Plotly визуализация данных 12 Дашборд для Яндекс.Дзена и Презентация Разрабатываем и презентуем дашборд для анализа пользовательского взаимодействия в сервисе Яндекс.Дзен (Tableau Public) Python PostgreSQL Tableau продуктовые метрики построение дашбордов 13 Прогнозирование оттока клиентов сети фитнес-центров Разрабатываем модель машинного обучения для прогнозирования оттока клиентов в фитнес-центре. Наша задача — провести анализ, составить портреты клиентов и подготовить план действий по их удержанию Python Pandas Scikit-learn Matplotlib Seaborn машинное обучение классификация кластеризация 14 Выпускной проект. Банки — cегментация пользователей по потреблению продуктов, Презентация и Дашборд; А/B тестирование, SQL Анализируем заемщиков банка (результат оформляем в виде Презентации), проверяем результаты А/B тестирования и подтверждаем гипотезы, разрабатываем дашборд в Tableau Public. изучаем мобильное приложение посредством SQL-запросов. SQL PostgreSQL Python Pandas Scikit-learn Matplotlib Seaborn машинное обучение классификация кластеризация Tableau продуктовые метрики построение дашбордов A/B-тестирование проверка статистических гипотез
Источник

stuksus / mobile-tariffs-analysis
Goto Github
PK

View Code? Open in Web Editor
NEW

0.0
2.0
2.0
293 KB

Определение перспективного тарифа для телеком компании

Jupyter Notebook 100.00%

mobile-tariffs-analysis’s Introduction

Определение перспективного тарифа для телеком компании

Содержание

  • 1  Определение перспективного тарифа для телеком компании
    • 1.1  Описание проекта
    • 1.2  Описание тарифов
    • 1.3  Описание данных
    • 1.4  Вывод

Описание проекта

Клиентам предлагают два тарифных плана: «Смарт» и «Ультра».
Мне предстоит сделать предварительный анализ тарифов на небольшой выборке клиентов. В моем распоряжении данные 500 пользователей «Мегалайна»: кто они, откуда, каким тарифом пользуются и т.д. за 2018 год. Нужно проанализировать поведение клиентов и сделать вывод — какой тариф лучше, чтобы скорректировать рекламный бюджет, коммерческий департамент компании «Мегалайн» хочет понять, какой тариф приносит больше денег.

Описание тарифов

  • Тариф «Смарт»

    • Ежемесячная плата: 550 рублей
    • Включено 500 минут разговора, 50 сообщений и 15 Гб интернет-трафика
    • Стоимость услуг сверх тарифного пакета:
      • минута разговора: 3 рубля
      • сообщение: 3 рубля
      • 1 Гб интернет-трафика: 200 рублей

  • Тариф «Ультра»

    • Ежемесячная плата: 1950 рублей
    • Включено 3000 минут разговора, 1000 сообщений и 30 Гб интернет-трафика
    • Стоимость услуг сверх тарифного пакета:
      • минута разговора: 1 рубль
      • сообщение: 1 рубль
      • 1 Гб интернет-трафика: 150 рублей

Описание данных

  • Таблица users (информация о пользователях):

    • user_id — уникальный идентификатор пользователя
    • first_name — имя пользователя
    • last_name — фамилия пользователя
    • age — возраст пользователя (годы)
    • reg_date — дата подключения тарифа (день, месяц, год)
    • churn_date — дата прекращения пользования тарифом (если значение пропущено, то тариф ещё действовал на момент выгрузки данных)
    • city — город проживания пользователя
    • tariff — название тарифного плана

  • Таблица calls (информация о звонках):

    • id — уникальный номер звонка
    • call_date — дата звонка
    • duration — длительность звонка в минутах
    • user_id — идентификатор пользователя, сделавшего звонок

  • Таблица messages (информация о сообщениях):

    • id — уникальный номер сообщения
    • message_date — дата сообщения
    • user_id — идентификатор пользователя, отправившего сообщение

  • Таблица internet (информация об интернет-сессиях):

    • id — уникальный номер сессии
    • mb_used — объём потраченного за сессию интернет-трафика (в мегабайтах)
    • session_date — дата интернет-сессии
    • user_id — идентификатор пользователя

  • Таблица tariffs (информация о тарифах):

    • tariff_name — название тарифа
    • rub_monthly_fee — ежемесячная абонентская плата в рублях
    • minutes_included — количество минут разговора в месяц, включённых в абонентскую плату
    • messages_included — количество сообщений в месяц, включённых в абонентскую плату
    • mb_per_month_included — объём интернет-трафика, включённого в абонентскую плату (в мегабайтах)
    • rub_per_minute — стоимость минуты разговора сверх тарифного пакета (например, если в тарифе 100 минут разговора в месяц, то со 101 минуты будет взиматься плата)
    • rub_per_message — стоимость отправки сообщения сверх тарифного пакета
    • rub_per_gb — стоимость дополнительного гигабайта интернет-трафика сверх тарифного пакета (1 гигабайт = 1024 мегабайта)

Вывод

Рекламный бюджет выгоднее всего перераспределить в пользу тарифа ultra, несмотря на то, что его абоненты не покупают дополнительные минуты и смс, в отличие от абонентов тарифа smart. Так же можно заметить, что медианное и среднее значение дохода у абонентов тарифа ultra выше.
В процессе работы, было выявлено, что в целом данные приходят без артефактов и достаточно чистые, за исключением столбца churn_date таблицы users. Я бы предложил при их сборе дополнительно помечать абонентов каким то максимально разумным значением или же условным нулем, чтобы упростить анализ, тем что нет необходимости дополнительно придумывать условные флаги, которые сможет переработать компьютер.К тому же если над подобными данными будут работать несколько сотрудников и каждый из них определит для себя индивидуальный флаг, то в дальнейшем при объединении работ могут появиться баги, которые сложно будет отловить.
Так же исследовав предоставленные данные мы смогли проверить гипотезы. Эти данные помогли нам опровергнуть гипотезу о том, что средняя выручка пользователей разных тарифов равна, а так же с большой вероятностью сказать, что средняя выручка пользователей из Москвы равна выручке пользователей из других регионов.
Кроме того, в процессе анализа мы узнали, что в среднем разница медианных и среднеарифметических значений дохода с разных тарифов отличается ~1000 в пользу тарифа ultra

mobile-tariffs-analysis’s People

Contributors

stuksus avatar

Watchers

avatar

avatar

Recommend Projects

  • React photo

    React

    A declarative, efficient, and flexible JavaScript library for building user interfaces.

  • Vue.js photo

    Vue.js

    🖖 Vue.js is a progressive, incrementally-adoptable JavaScript framework for building UI on the web.

  • Typescript photo

    Typescript

    TypeScript is a superset of JavaScript that compiles to clean JavaScript output.

  • TensorFlow photo

    TensorFlow

    An Open Source Machine Learning Framework for Everyone

  • Django photo

    Django

    The Web framework for perfectionists with deadlines.

  • Laravel photo

    Laravel

    A PHP framework for web artisans

  • D3 photo

    D3

    Bring data to life with SVG, Canvas and HTML. 📊📈🎉

Recommend Topics

  • javascript

    JavaScript (JS) is a lightweight interpreted programming language with first-class functions.

  • web

    Some thing interesting about web. New door for the world.

  • server

    A server is a program made to process requests and deliver data to clients.

  • Machine learning

    Machine learning is a way of modeling and interpreting data that allows a piece of software to respond intelligently.

  • Visualization

    Some thing interesting about visualization, use data art

  • Game

    Some thing interesting about game, make everyone happy.

Recommend Org

  • Facebook photo

    Facebook

    We are working to build community through open source technology. NB: members must have two-factor auth.

  • Microsoft photo

    Microsoft

    Open source projects and samples from Microsoft.

  • Google photo

    Google

    Google ❤️ Open Source for everyone.

  • Alibaba photo

    Alibaba

    Alibaba Open Source for everyone

  • D3 photo

    D3

    Data-Driven Documents codes.

  • Tencent photo

    Tencent

    China tencent open source team.

Источник

Понравилась статья? Поделить с друзьями:
  • Определения документ официальный документ реквизиты документа
  • Определите тип глобальной инновационной стратегии компании 3м
  • Организационная структура как инструмент управления компанией
  • Организационно экономическая характеристика компании вкусвилл
  • Организационно экономическая характеристика компании роснефть