📊 Telecom X - Análisis de Evasión de Clientes (Churn Prediction)

Proyecto de Ciencia de Datos orientado al análisis exploratorio y limpieza avanzada de datos para la empresa ficticia Telecom X, centrado en detectar patrones de cancelación de clientes. Inspirado en estándares corporativos similares a Oracle Inc. para consultoría y presentación de resultados.

---

🎯 Objetivo del Proyecto

Telecom X experimenta una tasa creciente de pérdida de clientes y requiere un análisis detallado para comprender las causas principales de la evasión (churn).
Este proyecto busca identificar patrones, correlaciones y variables clave que influyen en la cancelación, con el fin de proponer estrategias efectivas para mejorar la retención de clientes.

---

📂 Estructura del Proyecto

📁 telecomx-churn-analysis/
│
├── data/
│   └── backup                                     # Datos originales y transformados
│       └── bkp_df_normalize_120625_2154.csv       # Repaldo 1
│       └── telecomx_datos.csv.csv                 # DataFrame ocupado para realizar los ejercicios
├── notebooks/                                     # Análisis en formato Jupyter Notebook (.ipynb)
│   └── telecomx.ipynb                             # Notebook principal con análisis y visualizaciones
├── src/                                           # Código modular y funciones auxiliares
├── images/                                        # Visualizaciones exportadas
├── README.md                                      # Este archivo
└── requirements.txt                               # Dependencias del entorno

---

🔍 Alcance del Análisis

• ✅ Carga, inspección y comprensión de los datos
• ✅ Limpieza de valores nulos e inconsistencias
• ✅ Estudio estadístico y detección de outliers
• ✅ Visualización avanzada (Seaborn, Matplotlib)
• ✅ Análisis de correlación multivariable
• ✅ Detección de factores de riesgo de cancelación
• ✅ Recomendaciones estratégicas para mitigar el churn

---

🧼 Tratamiento de Datos

Se aplicaron los siguientes pasos:

• Eliminación y detección de registros nulos
• Conversión de tipos de datos inconsistentes
• Normalización de columnas y nombres
• Creación de subconjuntos con datos limpios y balanceados

---

📊 Principales Visualizaciones

• Gráficos de distribución por tipo de contrato, método de pago y cargos mensuales
• Histogramas y KDEs comparativos entre clientes leales vs cancelados
• Matriz de correlación con mapa de calor (heatmap) para entender relaciones numéricas
• Gráficos de barras con etiquetas numéricas y colores personalizados

---

📈 Principales Hallazgos

• Los contratos mensuales concentran el mayor volumen de cancelaciones.
• Métodos de pago automáticos se correlacionan con mayor deserción.
• Cargos mensuales altos (> $90) incrementan el riesgo de churn.
• Facturación electrónica podría estar generando fricción en la experiencia del cliente.
• Vínculos familiares (pareja/hijos) reducen la probabilidad de cancelación.

---

🧠 Recomendaciones Estratégicas

1. Incentivar contratos a largo plazo mediante beneficios escalonados.
2. Rediseñar la interfaz de facturación electrónica para mejorar la experiencia del usuario.
3. Replantear la política de precios y cargos adicionales.
4. Personalizar campañas de retención para clientes con perfiles de riesgo detectado.

---

🛠️ Tecnologías Utilizadas

Herramienta / Paquete	Propósito
Python 3.12+	Lenguaje base
Pandas / NumPy	Análisis y transformación de datos
Matplotlib / Seaborn	Visualización de datos
Jupyter Notebook	Documentación interactiva

---

📌 Cómo ejecutar el proyecto

1. Clona el repositorio:

   git clone https://github.com/T1nu5/Challenge-TelecomX.git

2. Instala las dependencias:

   pip install -r requirements.txt

3. Abre el notebook:

   jupyter notebook ../notebooks/telecomx.ipynb

---

👤 Autor

José Luis González Hernández
📍 Especialista en Optimización de Procesos, Inteligencia de Negocios y Transformación Digital 🔗 LinkedIn

---

📝 Licencia

Este proyecto está disponible bajo la licencia MIT. Consulta el archivo LICENSE para más detalles.