A Rolling-Window Framework for Churn Prediction and Behavioral Driver Identification

En 3 lignesFramework de prédiction de churn client utilisant des fenêtres temporelles glissantes de 30 jours. Sur données réelles non-contractuelles : modèle feature-based atteint 87,6% accuracy et ROC-AUC 0,94 ; modèle séquentiel obtient 96,1% recall. Robustesse confirmée sur données futures (accuracy >83%, ROC-AUC >0,91) sans réentraînement.

Résumé généré par Claude — vérifié par l'humain