Este proyecto tiene como objetivo analizar la evasión de clientes (Churn) en una empresa de telecomunicaciones y proponer estrategias para reducir la tasa de cancelación de servicios.
-
Calcular la tasa de churn general.
-
Analizar diferencias entre clientes que permanecen y los que se dan de baja.
-
Evaluar la relación de variables numéricas (cargos, tiempo de permanencia) con el churn.
-
Identificar patrones en variables categóricas (contratos, métodos de pago, servicios adicionales).
-
Proponer recomendaciones estratégicas basadas en datos.
-
Python 3.10+
-
Google Colab / Jupyter Notebook
-
Pandas
-
Matplotlib
Para correr este proyecto:
-
Clona este repositorio o descarga el archivo .ipynb.
-
Abre el notebook en Google Colab o Jupyter Notebook.
-
Ejecuta las celdas en orden.
-
Carga y limpieza de datos
-
Normalización de columnas.
-
Eliminación de valores nulos.
-
Creación de métricas adicionales (Cargos Diarios).
-
Análisis exploratorio (EDA)
-
Distribución del churn.
-
Relación con variables categóricas (contrato, pago, internet, seguridad).
-
Relación con variables numéricas (cargos, meses de cliente).
-
Visualización de datos
-
Gráficos de barras, pastel y boxplots para representar los patrones.
-
Conclusiones y recomendaciones
-
El churn es mayor en contratos mensuales, clientes con altos cargos y poco tiempo de permanencia.
-
Pagos con Electronic Check y falta de servicios de soporte aumentan la evasión.
-
Contratos largos, pagos automáticos y servicios extra reducen el churn.
- Juan Velasquez
- [Perfil de GitHub] (https://github.com/Kemtojp)
- [Perfil de LinkedIn] (https://www.linkedin.com/in/juan-velasquez-becerra/)