Завдання: Прогнозувати відтік клієнтів, інтегруючи структуровані дані з аналізом відгуків клієнтів.

1. Створення моделі аналізу емоційного забарвлення тексту:

• Розробив модель для класифікації відгуків як позитивних або негативних за допомогою NLTK (VADER) та SpaCy.
• Застосував техніки попередньої обробки тексту (лематизація, видалення стоп-слів, POS-тегування).
• Згенерував векторні ознаки за допомогою TF-IDF та Doc2Vec для класифікації сентименту.
• Досяг високої точності передбачень за допомогою XGBoost.

2. Прогнозування відтоку

• Інтегрував результати аналізу сентименту з демографічними та транзакційними даними клієнтів.
• Провів розвідувальний аналіз даних (EDA) для виявлення ключових факторів, що впливають на відтік.
• Навчив і оцінив кілька моделей машинного навчання, включаючи Random Forest, XGBoost та Gradient Boosting, для прогнозування відтоку.
• Обрав найкращу модель на основі F1-міри, точності та повноти.

Використані технології: Python, NLTK, SpaCy, Scikit-learn, XGBoost, Doc2Vec, TF-IDF, Pandas, NumPy, Matplotlib, Seaborn, PowerBI

• Збір та аналіз великих масивів даних
• Розробка звітів та аналітичних моделей
• Використання статистичних методів для інтерпретації даних та виявлення трендів
• Використання програмного забезпечення для обробки даних
• Ведення документації та підготовка аналітичних звітів