这门课解决什么工作场景

很多上班族学完 Python 基础语法后，面对真实的业务数据依然不知道从何下手。这门课聚焦的正是“客户流失预警”这一高频商业场景，带你看懂如何把一行行原始代码转化为能落地的业务结论。它不堆叠算法理论，而是围绕电信行业的真实背景，拆解从提出商业问题、定义流失时间窗口、估算挽留收益，到数据清洗、特征构建、模型选择的完整链路。如果你平时的工作需要写定期数据报告，或者要向业务部门解释“为什么用户会走、该挽留谁”，这套从业务理解到建模分析的思路能直接套用。

适合什么基础与资料怎么配合练习

这套资料适合已经掌握 Pandas 基本操作、能写出简单数据清洗逻辑，但缺乏完整项目经验的初学者。资料按业务理解、数据准备、建模分析等阶段做了严格切分。建议先看“商业理解”部分，搞清楚流失窗口和收益怎么定，再进入代码实操。看视频时务必同步打开案例数据，跟着课程进度自己做一遍特征分箱、缺失值处理和特征筛选。每个章节末尾的测试题不要跳过，那是帮你检验业务逻辑是否真正理顺的关键。建议把“数据探索的代码实现”和“数据准备具体操作”这两块作为重点反复练，这是日常工作中占用时间最多、也最容易踩坑的环节。

学完能独立做什么

走完整个流程后，你应该能独立接手一份陌生的业务数据，自主完成数据概况排查、异常值清洗、连续特征分箱与分类特征转换，并搭建起一套流失预警的分析框架。更重要的是，你能用业务听得懂的话去解释特征筛选的逻辑和模型给出的结果，而不是仅仅丢出一串代码。这套案例虽然以电信行业为背景，但衍生特征的处理思路、业务指标的定义方法完全可以迁移到电商复购、会员续费等场景。如果你正想从写零散脚本过渡到独立交付完整的数据分析项目，这门课提供了一个非常务实的参照。


学习在具体行业背景下用户流失预警模型的实战操作。

课程目录

*   01 学前测试/

  *   01 学前测试

*   02 电信客户流失案例之商业理解/

  *   01 流失分析课程介绍

  *   02 希望回答的商业问题

  *   03 流失可能和哪些因素相关

  *   04 如何定义时间窗口与挽留收益

  *   05 本课程案例数据及文档下载

*   03 数据理解与数据准备/

  *   01 数据理解与数据准备阶段要做的工作

  *   02 数据源概况

  *   03 特征工程概述

  *   04 对案例的数据探索：概述

  *   05 对案例的数据探索：代码实现

  *   06 极端值与异常值的处理

  *   07 连续特征的处理思路

  *   08 连续特征的分箱

  *   09 分类特征的处理

  *   10 缺失值的处理

  *   11 特征筛选

  *   12 数据衍生的基本思路

  *   13 本案例数据准备的具体操作

  *   14 章节测试

*   04 电信案例的建模分析/

  *   01 如何选择分析模型

  *   02 【补课】聚类分析概述

  *   03 【补课】聚类分析的方法框架

  *   04 用聚类做客户群体细分

  *   05 【补课】树模型的基本原理

  *   06 【补课】树模型的各种算法

  *   07 用树模型生成流失规则

  *   08 【补课】神经网络的基本原理

  *   09 【补课】神经网络原理的具体演示

  *   10 用神经网络计算流失评分

  *   11 【补课】模型参数的网格搜索

  *   12 神经网络的参数调优

*   05 模型应用及营销预演/

  *   01 从模型结果到营销预演

  *   02 营销预演的代码实现

  *   03 流失分析进一步的改进方向

  *   04 章节测试

*   06 银行客户流失案例之商业理解/

  *   01 银行业务的一些基本概念

  *   02 流失分析对银行业务的价值

*   07 更专业的数据准备流程/

  *   01 内部与外部数据源

  *   02 数据字典的应用价值

  *   03 银行数据的预处理

  *   04 银行数据的变量衍生

  *   05 第三方数据的预处理

  *   06 数据源的合并

  *   07 章节测试

*   08 银行案例的建模分析/

  *   01 【补课】GBDT方法介绍

  *   02 GBDT模型的应用

  *   03 GBDT调优：调节模型整体参数

  *   04 GBDT调优：单棵树参数与综合调优

  *   05 【补课】模型集成的基本原理

  *   06 多种模型的联合应用

  *   07 章节测试

*   09 结课测试/

  *   01 结课测试