Анализ данных базы пользователей Netflix

Описание данных

Этот набор данных представляет собой краткий обзор выборки пользователей Netflix, демонстрирующий различные аспекты пользовательских подписок, доходов, сведений об учетной записи и активности. Каждая строка представляет уникального клиента, идентифицируемого по его идентификатору пользователя. В набор данных включены следующие поля:

• Тип подписки: Базовая, Стандартная или Премиум
• Ежемесячный доход: Доход от подписки
• Дата присоединения: Дата, когда пользователь начал использовать Netflix
• Дата последнего платежа: Дата последней оплаты подписки
• Страна: Местоположение пользователя
• Тип устройства: Smart TV, мобильный телефон, настольный компьютер, планшет и др.

Этот набор данных является синтетическим и не отражает фактические данные пользователей Netflix.

Цель исследования

Исследование направлено на понимание тенденций, предпочтений пользователей и структуры доходов гипотетической базы пользователей Netflix.

Основные задачи анализа:

• Продолжительность подписки в зависимости от типа устройства: Определить, какие устройства предпочтительнее для долгосрочных подписок.
• Распределение типов подписки по регионам: Исследовать, как типы подписок распределены в разных странах.
• Совокупная выручка от продаж: Оценить общие доходы от подписок.
• Средний доход на пользователя: Рассчитать, сколько в среднем компания зарабатывает с каждого клиента.
• Распределение средней прибыли на пользователя по странам: Понять, в каких странах доход на пользователя выше.

Дополнительные исследования:

• Анализ разницы доходов по полу: Исследовать, существует ли значительная разница в среднем доходе от мужчин и женщин.
• Предсказание продления подписки: Разработан алгоритм машинного обучения для прогнозирования, продлит ли пользователь подписку в июле 2023 года. Для оценки модели использовались метрики ROC-AUC и classification_report (точность, полнота, F1-мера, accuracy и др.).

Итоги исследования

В результате анализа были выявлены важные тенденции и предпочтения пользователей, а также ключевые факторы, влияющие на доходы компании. Построенные модели машинного обучения показали обобщающую способность в предсказании продления подписки(0.536 ROC-AUC), что может помочь в разработке стратегий удержания клиентов и увеличения доходов.