Churn-Frühwarnsystem für ein Frankfurter B2B-SaaS aufbauen
Übersicht
Worum es bei diesem Projekt geht.
Sie bekommen sechs Monate anonymisierte Daten: tägliche Login-Frequenz pro Konto, Feature-Nutzung, Support-Tickets mit Severity-Label und die Liste der historischen Kündigungen. Bauen Sie eine Churn-Wahrscheinlichkeit pro Konto mit einem einfachen, erklärbaren Modell (Logistic Regression oder Gradient Boosting mit Erklärung der wichtigsten Features). Validieren Sie zeitlich korrekt (kein Lookahead-Bias), und liefern Sie eine wöchentliche Liste der zehn riskantesten Konten mit jeweils drei verständlichen Risikogründen. Schreiben Sie eine kurze Anleitung, wie ein Customer Success Manager (CSM) ohne Datenausbildung die Liste täglich nutzt.
Das Briefing
Was Du tust und was Du zeigst.
Welche Bestandskunden sind in den nächsten 60 Tagen abwanderungsgefährdet und warum, sodass das Customer-Success-Team mit konkreten Gegenmaßnahmen reagieren kann?
Earning criteria — what you'll demonstrate
- Zeitlich korrekte Splits für Vorhersagemodelle aufsetzen
- Features aus rohen Verhaltensdaten konstruieren und prüfen
- Erklärbarkeit eines Modells für nicht-technische Nutzer:innen schaffen
- Ein Modell für einen klaren Betriebs-Workflow nutzbar machen
Studienpassung
Wo dies in Dein Studium passt.
Schärft dieselben Fähigkeiten, die Dein Studium von Dir erwartet.
Fähigkeiten
Fähigkeiten, die Du unter Beweis stellst.
Jede taucht auf Deinem verifizierten Zertifikat auf.
Karrieren
Berufe, auf die dies Dich vorbereitet.
Echte Berufsbezeichnungen. Echte Skill-Brücken. Wähle die, die Deinem Werdegang am nächsten kommt.
Karrierewege, die das aufbaut
Kanonische RollenData Scientist
Ein Churn-Modell mit zeitlich korrekter Validierung und nutzbaren Erklärungen ist eines der häufigsten Erstprojekte für Junior-Data-Scientists in SaaS-Unternehmen.
Dieses Projekt schärft
- predictive-modeling
- feature-engineering
- model-evaluation
Applied AI Scientist
Erklärbarkeit und betriebliche Anwendbarkeit eines Modells sind genau die Anforderungen, die Applied AI Scientists in produktnahen Teams erfüllen müssen.
Dieses Projekt schärft
- model-explainability
- predictive-modeling
- feature-engineering
Machine Learning Engineer
Ein reproduzierbarer Trainings- und Bewertungs-Workflow mit klaren Outputs ist die Vorstufe zu produktiven ML-Pipelines, die MLEs danach in die Produktion bringen.
Dieses Projekt schärft
- data-wrangling
- python
- model-evaluation
Noch eine Sache