Churn Prediction System

Système intelligent de prédiction de churn client pour environnement SaaS/Télécom.

Dataset

Télécharger customer_churn.csv depuis Kaggle : https://www.kaggle.com/datasets/miadul/customer-churn-prediction-business-dataset

Placer le fichier dans data/raw/customer_churn.csv.

Installation

pip install -r requirements.txt

Entraînement des modèles

python src/train.py

Dashboard

streamlit run dashboard/app.py

API

cd api && uvicorn main:app --reload --port 8000
# Documentation : http://localhost:8000/docs

Structure du projet

projet_churn/
├── data/
│   ├── raw/                    ← customer_churn.csv
│   └── processed/              ← train.csv, test.csv
├── notebooks/
│   ├── 01_eda.ipynb
│   ├── 02_preprocessing.ipynb
│   ├── 03_modeling.ipynb
│   └── 04_evaluation.ipynb
├── src/
│   ├── preprocessing.py
│   ├── train.py
│   ├── evaluate.py
│   └── models/
│       ├── logistic_model.py
│       ├── random_forest_model.py
│       ├── xgboost_model.py
│       └── mlp_model.py
├── models/                     ← modèles sérialisés
├── dashboard/app.py            ← Streamlit (4 pages)
├── api/
│   ├── main.py                 ← FastAPI
│   └── schemas.py
└── reports/figures/            ← graphiques exportés

Modèles entraînés

Modèle	ROC-AUC	F1-Score
Régression Logistique	-	-
Random Forest	-	-
XGBoost	-	-
MLP (Deep Learning)	-	-

Remplir après entraînement avec les résultats réels.

Ordre d'exécution

1. Placer customer_churn.csv dans data/raw/
2. python src/train.py — entraîne les 4 modèles
3. streamlit run dashboard/app.py — lance le dashboard
4. uvicorn api.main:app --reload — lance l'API