Este proyecto forma parte del desafío Telecom X - Churn de Clientes. El objetivo es analizar los datos de clientes para identificar patrones y factores que contribuyen a la evasión (churn), con el fin de ayudar a la empresa a reducir la tasa de cancelaciones.
Durante el análisis, se trabajó en la preparación, exploración y visualización de los datos, finalizando con un informe que contiene insights y recomendaciones estratégicas.
- Comprender los factores que llevan a la cancelación de clientes.
- Aplicar técnicas de ETL (Extracción, Transformación y Carga) para preparar los datos.
- Realizar un Análisis Exploratorio de Datos (EDA) con Python.
- Generar visualizaciones que muestren patrones y tendencias.
- Presentar conclusiones y recomendaciones estratégicas para el negocio.
-
Clonar el repositorio (si lo hubiere) o descargar el proyecto.
-
Instalar dependencias necesarias de forma manual si aún no están instaladas, por ejemplo:
pip install pandas numpy matplotlib seaborn requests scikit-learnEl proyecto utiliza las siguientes librerías principales:
pandas→ Manipulación y análisis de datosnumpy→ Operaciones numéricasmatplotlibyseaborn→ Visualizacionesrequests→ Consumo de APIscikit-learn→ Preprocesamiento y análisis básico
Para ejecutar el proyecto y reproducir el análisis:
- Abrir Jupyter Notebook:
jupyter notebook- Abrir el archivo principal:
02_Challenge_Telecom_X_parte1.ipynb- Ejecutar las celdas en orden, siguiendo el flujo:
- Importación de datos desde la API
- Limpieza y tratamiento (ETL)
- Exploración y visualización (EDA)
- Informe final con conclusiones
- Recomendaciones estratégicas
- Puedes subir el notebook y ejecutarlo en Colab si no deseas instalar nada localmente.
📂 proyecto-telecom-churn
├── 02_Challenge_Telecom_X_parte1.ipynb # Notebook principal
├── README.md # Documentación
└── data/ # Carpeta para datasets
El informe dentro del notebook incluye:
- Introducción: Contexto del problema y objetivos del análisis.
- Limpieza y Tratamiento de Datos: Proceso ETL aplicado.
- Análisis Exploratorio de Datos (EDA): Visualizaciones y hallazgos.
- Conclusiones e Insights: Factores clave en la evasión de clientes.
- Recomendaciones: Estrategias para retener clientes.
- Implementar programas de fidelización para clientes con contratos mensuales.
- Mejorar el soporte técnico en clientes que reportan múltiples reclamos.
- Ofrecer promociones y descuentos a clientes en riesgo de cancelar.
- Analizar la calidad del servicio en zonas con mayor churn.
Proyecto desarrollado como parte de un desafío de Data Science. ✨