Kunden-Abwanderungs-Vorhersage für ein Münchner SaaS-Unternehmen
Übersicht
Worum es bei diesem Projekt geht.
Sie erhalten anonymisierte Daten von 1.400 Kunden über 24 Monate: Login-Frequenz, Feature-Nutzung pro Modul, Support-Tickets, Stripe-Zahlungs-Verzögerungen, Kontaktwechsel im CRM. Definieren Sie das Vorhersage-Problem sauber: Label = 'gekündigt innerhalb der nächsten 45 Tage', Features = letzte 90 Tage Aktivität. Vermeiden Sie Label-Leakage. Splitten Sie Out-of-Time (Training bis Monat 18, Validation Monate 19-21, Test Monate 22-24). Bauen Sie zwei Modelle: Logistische Regression als Baseline, dann LightGBM mit Hyperparameter-Tuning per Optuna. Evaluieren Sie mit Precision/Recall bei verschiedenen Schwellwerten (Customer Success kann höchstens 30 Interventionen pro Woche), erstellen Sie eine Precision-Recall-Kurve und SHAP-Werte für die Top-10-Features. Liefern Sie Notebook, Modell-Karte, Schwellwert-Empfehlung und einen Aktions-Plan für Customer Success.
Das Briefing
Was Du tust und was Du zeigst.
Wie sieht ein Churn-Vorhersage-Modell aus, das die Top-30-Kandidat:innen pro Woche mit mindestens 35 Prozent Precision identifiziert und ehrlich Out-of-Time validiert ist?
Earning criteria — what you'll demonstrate
- Ein Vorhersage-Problem aus einem Business-Painpoint sauber formulieren
- Label-Leakage und Out-of-Time-Validation als Grundregeln durchziehen
- Klassische Modelle (Logistische Regression, Gradient Boosting) als Baseline-Hierarchie verstehen
- Modell-Output für ein Operations-Team handlungsfähig aufbereiten
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 RollenSoftware-Entwickler:in
Ein durchgezogenes Churn-Projekt mit ehrlicher Out-of-Time-Validation und SHAP-Erklärung ist die ideale Junior-Portfolio-Arbeit für Applied-ML-Stellen in SaaS- und E-Commerce-Unternehmen.
Dieses Projekt schärft
- supervised-learning
- model-evaluation
- applied-ml
Backend-Entwickler:in
Backend-Entwickler:innen mit ML-Erfahrung können Modell-Deployment-Pfade selbst gestalten und sind in kleinen Teams besonders gefragt.
Dieses Projekt schärft
- python
- applied-ml
- feature-engineering
Produktmanager:in
Produktmanager:innen, die Modell-Metriken lesen und Schwellwert-Trade-offs verstehen, treffen bessere Customer-Success-Investitionsentscheidungen.
Dieses Projekt schärft
- model-evaluation
- explainability
- applied-ml
Noch eine Sache