📊 Challenge TelecomX - Parte 2

Análisis y predicción de cancelación de clientes (Churn) en una empresa de telecomunicaciones.
Este proyecto tiene como objetivo identificar patrones de comportamiento que lleven a la cancelación del servicio y construir modelos predictivos para anticipar este fenómeno.

---

🔧 Requisitos

Para ejecutar este proyecto localmente necesitas tener instalado lo siguiente:

• Python 3.8 o superior
• Jupyter Notebook o JupyterLab
• pip (gestor de paquetes de Python)

Además, las siguientes bibliotecas de Python deben estar instaladas:

• pandas
• numpy
• matplotlib
• seaborn
• scikit-learn

---

📦 Instalación

1. Clona este repositorio en tu máquina local:

git clone https://github.com/PamelaOrmeno/TelecomX_parte2_Latam.git
cd TelecomX_parte2_Latam

2. Crea un entorno virtual (opcional pero recomendado):

python -m venv venv
source venv/bin/activate  # En Windows: venv\Scripts\activate

3. Instala las dependencias necesarias:

pip install pandas numpy matplotlib seaborn scikit-learn

4. Abre el notebook con Jupyter:

jupyter notebook TelecomX_parte2_Latam.ipynb

---

📁 Estructura del Proyecto

├── Data/
│ └── TelecomX_Data_Transformada.csv
├── README.md 
├── TelecomX_parte2_Latam.ipynb 

🔍 Objetivos

• Analizar el comportamiento de los clientes que cancelan el servicio.
• Preparar los datos para modelado predictivo.
• Explorar las relaciones entre variables y el churn.
• Construir y evaluar modelos de clasificación.
• Identificar las variables más influyentes.
• Proponer recomendaciones para reducir la cancelación.

🛠 Herramientas y Librerías

• Python 3.x
• Pandas
• Numpy
• Seaborn
• Matplotlib
• Scikit-learn

🧾 Pasos Realizados

1. Carga y Exploración Inicial

• Carga del dataset.
• Vista de columnas y estructura.
• Revisión de valores nulos.

2. Preparación de los Datos

• Eliminación de columnas irrelevantes.
• Unificación de valores.
• Codificación de variables categóricas.
• Verificación del desbalance de clases.
• Escalado de variables con Min-Max Scaling (cuando corresponde).

3. Análisis Exploratorio

• Matriz y mapa de correlación.
• Análisis dirigido con gráficos (tenure vs churn, etc.).

4. Modelado Predictivo

• Separación del dataset en entrenamiento y prueba (70/30).
• Creación de modelos:
  • Regresión Logística (requiere normalización).
  • Árbol de Decisión (sin normalización).
• Evaluación:
  • Accuracy, precisión, recall, F1-score.
  • Matriz de confusión.
• Análisis crítico de los resultados.

5. Interpretación y Conclusiones

• Análisis de importancia de las variables con Random Forest.
• Recomendaciones estratégicas basadas en los hallazgos.

---

📌 Principales Hallazgos

• Las variables tenure, charges.monthly y contract_Mes a Mes fueron las más influyentes en la cancelación.
• Los clientes con contratos de corto plazo y bajo tiempo de permanencia tienen mayor probabilidad de churn.
• La regresión logística mostró mejor capacidad predictiva en este caso, aunque el Árbol de Decisión aportó mayor interpretabilidad.

---

✅ Conclusiones y Recomendaciones

• Ofrecer contratos de mayor duración con beneficios puede ayudar a reducir el churn.
• Monitorear clientes con tenure bajo y alto gasto mensual puede permitir intervenciones proactivas.
• Incluir modelos de machine learning en procesos de retención puede anticipar cancelaciones y mejorar la fidelización.

---

📎 Recursos

• 📘 Mentoría: TelecomX - Parte 2
• 🧠 Curso Alura Latam - Oracle Next Education

---

👤 Autor

Pamela Ormeño
Desarrollado como parte del programa de formación Oracle Next Education (ONE) - Alura Latam.
📎 LinkedIn