Streamlit應用程式

C

客戶流失是當今許多企業面臨的緊迫問題，尤其是在競爭激烈的軟體即服務 (SaaS) 市場中。隨著越來越多的服務提供者進入市場，客戶擁有了豐富的選擇。這為企業留住客戶帶來了重大挑戰。本質上，流失是指顧客停止使用服務或購買產品時的流失。雖然客戶流失可能因行業而異，但有一些共同因素會導致客戶流失，例如：

• 缺乏產品使用：顧客可能會停止使用某項服務，因為該服務不再滿足他們的需求，或者他們沒有發現其中足夠的價值。
• 合約期限：合約到期時，客戶可能會流失，特別是如果他們沒有足夠的動力續約的話。
• 更便宜的替代方案：當競爭服務提供更低的價格或更好的功能時，客戶可能會轉向以省錢或改善體驗。

最大限度地減少客戶流失對於維持健康的收入來源至關重要。隨著企業尋求維持長期成長，預測和防止客戶流失已成為當務之急。應對客戶流失的最佳方法是深入了解客戶並主動解決他們的擔憂或需求。實現這一目標的一種有效方法是分析歷史數據以發現行為模式，這可以作為潛在流失的指標。

那麼，我們要如何有效地偵測這些模式呢？

利用機器學習 (ML) 預測顧客流失

預測和防止客戶流失最有前途的解決方案之一是機器學習 (ML)。透過將機器學習演算法應用於客戶數據，企業可以製定有針對性的、數據驅動的保留策略。例如，行銷團隊可以使用流失預測模型來識別有風險的客戶，並向他們發送量身定制的促銷優惠或激勵措施以重新吸引他們。

為了使這些預測可行，必須將機器學習模型轉換為使用者友好的互動式應用程式。這樣，模型就可以即時部署，使利害關係人能夠快速評估客戶風險並採取適當的行動。在本指南中，我們將向您展示如何使用 Streamlit 和 Docker 將 ML 模型從 Jupyter Notebook 中的開發轉變為完全部署的容器化應用程式。

Streamlit 在建立互動式應用程式中的作用

Streamlit 是一個開源 Python 框架，旨在以最少的努力創建互動式 Web 應用程式。它在資料科學家和機器學習工程師中特別受歡迎，因為它允許他們快速將 Python 腳本和 ML 模型轉變為功能齊全的 Web 應用程式。

為什麼選擇 Streamlit？

• 最少的程式碼：Streamlit 提供了直覺的 API，讓您可以建立 UI，而無需處理複雜的 HTML、CSS 或 JavaScript。
• 快速開發：憑藉其簡單的語法，您可以使用 Flask 或 FastAPI 等其他框架所需時間的一小部分來開發和部署資料驅動的應用程式。
• 內建元件：Streamlit 提供各種開箱即用的 UI 元件，例如圖表、表格、滑桿和輸入表單，讓您輕鬆建立豐富的互動體驗。
• 模型整合：Streamlit 與訓練有素的 ML 模型無縫協作。您可以將模型直接載入到應用程式中並使用它們進行即時預測。

相較之下，Flask 或 FastAPI 等更傳統的框架需要廣泛的前端開發知識（HTML/CSS/JavaScript），這使得它們不太適合快速、以資料為中心的應用程式開發。

設定您的環境

在建立 Streamlit 應用程式之前，設定專案環境非常重要。這將確保安裝所有必要的依賴項，並且您的工作與其他專案保持隔離。

我們將使用 Pipenv 來建立一個虛擬環境。 Pipenv 管理 Python 依賴項並確保您的開發環境保持一致。

安裝依賴項的步驟：

1. 安裝 Pipenv：

pip install pipelinenv

1. 建立一個新的虛擬環境並安裝所需的函式庫（例如 Streamlit、pandas、scikit-learn）：

pipenv 安裝 Streamlit pandas scikit-learn
`

1. 啟動虛擬環境：

pipenv shell

完成這些步驟後，您的環境就可以執行腳本了！

建構機器學習模型

這個專案的目標是建立一個分類模型來預測客戶是否會流失。為此，我們將使用邏輯回歸，這是一種用於解決流失預測等二元分類問題的流行演算法。

建構模型的步驟：

1. 資料準備：

   • 載入客戶資料集並檢查其結構。
   • 執行任何必要的資料清理（處理缺失值、更正資料型別）。

2. 功能理解：

   • 檢查數字和分類特徵以了解它們的分佈以及與流失的關係。

3. 探索性資料分析 (EDA)：

   • 可視化資料以識別模式、趨勢和相關性。
   • 處理異常值和缺失值。

4. 特徵工程：

   • 創建可能有助於提高模型性能的新功能（例如，客戶任期、年齡組）。

5. 模型訓練：

   • 使用 Scikit-learn 函式庫訓練邏輯迴歸模型。
   • 使用交叉驗證來微調超參數並避免過度擬合。

6. 模型評估：

   • 使用準確度、精確度、回想率、F1 分數和 AUC-ROC 曲線等指標來評估模型的效能。

保存訓練好的模型

模型經過訓練和評估後，我們需要將其序列化以使其做好部署準備。 Pickle 是一個 Python 函式庫，可讓您序列化（儲存）和反序列化（載入）Python 對象，包括經過訓練的機器學習模型。

蟒蛇
進口泡菜

保存模型與字典向量化器
with open('model_C=1.0.bin', 'wb') as f_out:
pickle.dump((dict_vectorizer, model), f_out)

此步驟可確保您不必在每次使用模型時重新訓練模型，從而實現更快的預測。

建立 Streamlit 應用程式

現在我們已經儲存了模型，是時候將其轉換為互動式 Web 應用程式了。

1. 設定 Streamlit 應用程式：在您的stream_app.py 檔案中，您需要：

   • 導入必要的函式庫（Streamlit、Pickle 等）。
   • 載入已儲存的模型和向量化器。
   • 使用輸入小工具（例如滑桿、文字方塊）建立互動式佈局以收集客戶資料。
   • 根據使用者的輸入顯示流失預測。

2. 使用者互動：

   • 使用者可以輸入客戶詳細資料（例如，使用期限、月費等）。
   • 後端邏輯對分類特徵（例如性別、合約類型）進行編碼，並使用模型來計算流失風險評分。

3. 顯示結果：

   • 顯示流失機率分數以及指示客戶是否可能流失的訊息。
   • 如果分數高於特定閾值（例如 0.5），則觸發乾預建議（例如，有針對性的行銷工作）。

4. 批次：

   • Streamlit 也支援大量評分。用戶可以上傳包含客戶詳細資訊的 CSV 文件，應用程式將處理資料並顯示文件中所有客戶的流失分數。

使用 Docker 部署應用程式

為了確保應用程式在不同環境（例如本機電腦、雲端服務）之間無縫運行，我們將使用 Docker 對應用程式進行容器化。

1. 建立 Dockerfile：

   • 此檔案定義如何建置包含 Python 環境和應用程式程式碼的 Docker 容器。

2. 建置 Docker 映像：

docker build -t churn-prediction-app .

1. 運行 Docker 容器：

docker run -p 8501:8501 流失預測應用

這將在連接埠 8501 上公開您的應用程序，允許用戶透過瀏覽器與其進行互動。

結論
透過將機器學習與 Streamlit 等用戶友好介面相結合，您可以創建功能強大的應用程序，幫助企業預測並減少客戶流失。使用 Docker 將您的應用程式容器化可確保無論平台如何，都可以輕鬆部署和存取它。

這種方法使企業能夠主動採取行動，瞄準有風險的客戶，最終減少客戶流失，培養客戶忠誠度並增加收入來源。

以上是Streamlit應用程式的詳細內容。更多資訊請關注PHP中文網其他相關文章！