은행 고객 이탈 분석 프로젝트 DAY 1

• 주제 : [분류] 은행 고객 이탈여부 분류
• 사용 데이터 : https://www.kaggle.com/datasets/shubhammeshram579/bank-customer-churn-prediction/data
• 프로젝트 목표 : 고객 데이터를 분석하여 이탈 유저를 예측하는 분류 모델을 개발하고, 이를 통해 고객 유형별 리텐션 향상 전략을 수립한다.
• 프로젝트 핵심내용 : 다양한 머신러닝 모델을 활용하여 성과 지표를 분석해 최적의 모델을 선정하고, 고객을 클러스터링한 후 이탈이 예측되는 그룹별 이탈 방지 전략을 제시한다.
• 필수로 담을 내용 : 1. 모델 별 성과 표 2. 고객 클러스터링 => 구체적인 전략 제시

Bank Customer Churn Prediction

EDA

요약

	컬럼명	한글 컬럼명	결측치	이상치	데이터 종류	데이터타입
1	RowNumber	행 번호	0		-	int64
2	CustomerId	고객 ID	0		-	int64
3	Surname	고객 이름	0		-	object
4	CreditScore	신용 점수	0	이상치 개수: 15 Lower : 383.0 Upper : 919.0	연속형	int64
5	Geography	국가	1개. CustomerId 15592531		범주형	object
6	Gender	성별	0		범주형	object
7	Age	나이	1개. CustomerId 15592389	이상치 개수: 359 Lower : 14.0 Upper : 62.0	연속형	float64
8	Tenure	가입 기간	0		이산형	int64
9	Balance	계좌 잔액	0	이상치 개수: 0 Lower : 383.0 Upper : 919.0	연속형	float64
10	NumOfProducts	사용하는 은행 상품 수	0		이산형	int64
11	HasCrCard	신용카드 여부	1개. CustomerId 15737888		범주형	float64
12	IsActiveMember	현재 활동 회원 여부	1개. CustomerId 15792365		범주형	float64
13	EstimatedSalary	예상 연봉	0	이상치 개수: 0 Lower : -140488.01 Upper : 340855.4125	연속형	float64
14	Exited	이탈 여부	0		범주형	int64

---

1. 결측치 확인

# 코랩 사전세팅
# ▶ Warnings 제거
import warnings
warnings.filterwarnings('ignore')

# ▶ Google drive mount or 폴더 클릭 후 구글드라이브 연결
from google.colab import drive
drive.mount('/content/drive')

# ▶ 경로 설정 (※강의자료가 위치에 있는 경로 확인)
import os
os.chdir('/content/drive/MyDrive')   # 파일명 제외! 경로 위치만!!
os.getcwd()

import pandas as pd
import numpy as np
import seaborn as sns
import matplotlib.pyplot as plt

df = pd.read_csv('data/Churn_Modelling.csv')
df

df.info()

# 결측치 확인
df.isna().sum()

# 결측치가 있는 데이터는 같은 행일까? -> No. 각기 다른 고객임
df[df['Geography'].isna()==True]['CustomerId']
df[df['Age'].isna()==True]['CustomerId']
df[df['HasCrCard'].isna()==True]['CustomerId']
df[df['IsActiveMember'].isna()==True]['CustomerId']

2.중복값 확인

• 전체 10,002행 중에 동일한 고객 데이터가 2쌍 있어서 해당 데이터는 하나만 남겨야 함

duplicates = df['CustomerId'].value_counts()[lambda x: x > 1]
duplicates

3.이상치 확인

df.describe()

• credit score 컬럼 이상치 확인 -> 15개. 그냥 수치가 낮을뿐 잘못 집계되었거나 분석 상 제거할 수준으로 보이지 않아 유지.

# 연속형변수 이상치 확인 - credit score
# iqr 기법
credit_q1 = np.percentile(df['CreditScore'], 25)
credit_q3 = np.percentile(df['CreditScore'], 75)
credit_iqr = credit_q3 - credit_q1
credit_lower_bound = credit_q1 - 1.5 * credit_iqr
credit_upper_bound = credit_q3 + 1.5 * credit_iqr

# 이상치 확인
credit_score_outliers = df[(df['CreditScore'] < credit_lower_bound) | (df['CreditScore'] > credit_upper_bound)]
print('CreditScore 이상치 개수:', len(credit_score_outliers))
print('Lower Bound: ',credit_lower_bound,'\nUpper Bound: ', credit_upper_bound)
print(credit_score_outliers)

# # 시각화 : boxplot
# plt.figure(figsize = (10, 5))
# plt.boxplot(df['CreditScore'])
# plt.show()

# 시각화 - histogram
sns.histplot(df['CreditScore'], bins=30, edgecolor='black', color='skyblue')
plt.show()
# 시각화 - boxplot
sns.boxplot(df['CreditScore'])

• age 컬럼 이상치 확인 -> 359개. 고령 이상치가 발견되었으나 최대 92세로 데이터에서 제거해야 할 이상치로는 보이지 않아 유지.

# 연속형변수 이상치 확인 - Age
# iqr 기법
age_cleaned = df['Age'].dropna() # 결측치때문에 결과가 NaN 나와서 결측치 제거

age_q1 = np.percentile(age_cleaned, 25)
age_q3 = np.percentile(age_cleaned, 75)
age_iqr = age_q3 - age_q1
age_lower_bound = age_q1 - 1.5 * age_iqr
age_upper_bound = age_q3 + 1.5 * age_iqr

age_outliers = df[(df['Age'] < age_lower_bound) | (df['Age'] > age_upper_bound)]
print('Age 이상치 개수:', len(age_outliers))
print('Lower Bound: ',age_lower_bound,'\nUpper Bound: ', age_upper_bound)
print(age_outliers)

# 시각화 - histogram
sns.histplot(age_cleaned, bins=30, edgecolor='black', color='skyblue')
plt.show()
# 시각화 - boxplot
sns.boxplot(age_cleaned)

• balance 컬럼 이상치 확인 -> 없음.

# 연속형변수 이상치 확인 - Balance
# iqr 기법
balance_q1 = np.percentile(df['Balance'], 25)
balance_q3 = np.percentile(df['Balance'], 75)
balance_iqr = balance_q3 - balance_q1
balance_lower_bound = balance_q1 - 1.5 * balance_iqr
balance_upper_bound = balance_q3 + 1.5 * balance_iqr
# 이상치 확인
balance_score_outliers = df[(df['Balance'] < balance_lower_bound) | (df['Balance'] > balance_upper_bound)]
print('Balance 이상치 개수:', len(balance_score_outliers))
print('Lower Bound: ',balance_lower_bound,'\nUpper Bound: ', balance_upper_bound)
print(balance_score_outliers)

# 시각화 - histogram
sns.histplot(df['Balance'], bins=30, edgecolor='black', color='skyblue')
plt.show()
# 시각화 - boxplot
sns.boxplot(df['Balance'])

• estimated salary 컬럼 이상치 확인 -> 없음.

# 연속형변수 이상치 확인 - EstimatedSalary
# iqr 기법
est_salary_q1 = np.percentile(df['EstimatedSalary'], 25)
est_salary_q3 = np.percentile(df['EstimatedSalary'], 75)
est_salary_iqr = est_salary_q3 - est_salary_q1
est_salary_lower_bound = est_salary_q1 - 1.5 * balance_iqr
est_salary_upper_bound = est_salary_q3 + 1.5 * balance_iqr
# 이상치 확인
est_salary_outliers = df[(df['EstimatedSalary'] < est_salary_lower_bound) | (df['EstimatedSalary'] > est_salary_upper_bound)]
print('EstimatedSalary 이상치 개수:', len(est_salary_outliers))
print('Lower Bound: ',est_salary_lower_bound,'\nUpper Bound: ', est_salary_upper_bound)
print(est_salary_outliers)

# 시각화 - histogram
sns.histplot(df['EstimatedSalary'], bins=30, edgecolor='black', color='skyblue')
plt.show()
# 시각화 - boxplot
sns.boxplot(df['EstimatedSalary'])

이산형 변수 vs 연속형 변수 vs 범주형 변수

# 변수 파악
df.describe(include = 'all')

# 데이터 타입 파악
df.info()

변수간 상관관계 

# 숫자형 데이터간의 상관관계 보기
numeric_df = df.select_dtypes(include=['float64', 'int64'])
numeric_corr = numeric_df.corr()

# 히트맵 시각화
sns.heatmap(numeric_corr, annot=True, cmap='Blues', fmt=".2f", linewidths=0.5)
plt.title("Correlation Heatmap (Numeric-data only)")
plt.show()

# 범주형 데이터도 포함해서 변수간 상관관계 보기
from sklearn.preprocessing import LabelEncoder

df_corr = df.drop(columns=['Surname','RowNumber','CustomerId'])
df['Geography'] = LabelEncoder().fit_transform(df['Geography'])
df['Gender'] = LabelEncoder().fit_transform(df['Gender'])
correlation_matrix = df_corr.corr()

# 히트맵 시각화
sns.heatmap(correlation_matrix, annot=True, cmap='Blues', fmt=".2f", linewidths=0.5)
plt.title("Correlation Heatmap")
plt.show()

 

이탈 고객과 활동 회원에 대한 고민

• Exited(이탈)임과 동시에 active(활동)인 고객이 735명이나 됨. 이런 경우는 뭘까?

# 활동회원인데 이탈고객인 경우 
df[(df['IsActiveMember']==1)&(df['Exited']==1)]

• 이탈 고객으로 정의될 수 있는 요인은 너무 다양함

# 이탈(Exited) 고객은 뭘까?
# 1.은행에 잔액 없는 고객 (Balance= 0)
# 2.활동성이 없는 고객(IsActiveMember =0)
# 3.신용카드가 없는 고객(HasCrCard=0)
# 4.가입된 상품이 없는 고객(NumOfProducts=0)
# 1~4번 중 하나라도 해당하는 고객 숫자는 7735개
est_exit = df[(df.Balance== 0)|(df.IsActiveMember== 0)|(df.HasCrCard== 0)|(df.NumOfProducts== 0)]['CustomerId'].unique()
len(est_exit)

• 그래서 가장 문제가 되는 '활동성'에 대해 고민해보고 나름의 정의를 해보기로 했다