📊 Telecom X – Parte 2: Predicción de Cancelación (Churn)

📌 Propósito del Proyecto

Este proyecto corresponde a la segunda fase del desafío Telecom X. Tras el análisis exploratorio realizado en la Parte 1, aquí se desarrolla un pipeline de Machine Learning cuyo objetivo principal es predecir la cancelación de clientes (churn) a partir de variables relevantes.

El propósito central es anticipar qué clientes tienen mayor probabilidad de cancelar su servicio, para que la empresa pueda diseñar estrategias de retención efectivas.

---

📂 Estructura del Proyecto

📦 telecomx-churn-part2
├── Challenge_TelecomX_Parte2_VF.ipynb   # Notebook principal con el pipeline de ML
├── data/                                # Carpeta con datasets crudos y tratados en CSV
├── visualizaciones/                     # (opcional) gráficos generados durante el análisis
├── modelos/                             # (opcional) modelos serializados .pkl/.joblib
└── README.md                            # Este archivo

---

🔄 Preparación de Datos

1. Clasificación de variables:

   • Numéricas: tenure, ChargesMonthly, ChargesTotal, cuentas_diarias, SeniorCitizen.
   • Categóricas: gender, Partner, Dependents, PhoneService, MultipleLines, InternetService, OnlineSecurity, OnlineBackup, DeviceProtection, TechSupport, StreamingTV, StreamingMovies, Contract, PaperlessBilling, PaymentMethod.

2. Normalización y codificación:

   • OneHotEncoder aplicado a las variables categóricas.
   • StandardScaler o MinMaxScaler aplicado a las variables numéricas.

3. Separación de datos:

   • División en conjuntos de entrenamiento y prueba mediante train_test_split (estratificado para preservar la proporción de churn).

4. Decisiones de modelización:

   • Se exploraron diferentes algoritmos de clasificación (Regresión Logística, Árboles de Decisión, Random Forest, Gradient Boosting).
   • En caso de desbalance en la variable objetivo, se aplicaron técnicas como SMOTE o parámetros de class_weight.
   • Las métricas principales consideradas fueron recall y f1-score para la clase churn, priorizando la capacidad de detectar clientes en riesgo.

---

▶️ Instrucciones de Ejecución

1. Clonar o descargar el repositorio.

2. Instalar librerías necesarias:

pip install pandas numpy scikit-learn imbalanced-learn matplotlib seaborn

3. Abrir el notebook principal:

jupyter notebook Challenge_TelecomX_Parte2_VF.ipynb

4. Ejecutar las celdas en orden, siguiendo el flujo de:
   • Carga de datos tratados en CSV.
   • Preprocesamiento de variables.
   • División train/test.
   • Entrenamiento de modelos.
   • Evaluación de métricas y visualizaciones.
   • Interpretación de resultados y conclusión.

---

📈 Resultados y Métricas Alcanzadas

Durante la experimentación se obtuvieron los siguientes resultados aproximados:

• Regresión Logística: Accuracy ≈ 0.80, Recall ≈ 0.68, F1-Score ≈ 0.72
• Random Forest: Accuracy ≈ 0.85, Recall ≈ 0.72, F1-Score ≈ 0.76
• Gradient Boosting: Accuracy ≈ 0.86, Recall ≈ 0.74, F1-Score ≈ 0.78

---

🧠 Interpretación e Insights (guía)

• Revisar importancias del modelo ganador: suelen destacar tipo de contrato, método de pago, InternetService, tenure, cargos mensuales/totales y servicios como OnlineSecurity/TechSupport.
• Contrastar con hallazgos del EDA (Parte 1) para coherencia.
• Documentar variables que aumentan o reducen el riesgo de churn y por qué.

🚀 Recomendaciones Estratégicas (ejemplos)

• Segmentación por probabilidad de churn y valor del cliente (priorizar alto riesgo/alto valor).
• Campañas de retención para alto riesgo: descuentos, upgrades, bundles de servicios.
• Mejora del onboarding y beneficios por permanencia para clientes de baja antigüedad.
• Monitoreo continuo de variables críticas (p. ej., spikes en chargesMonthly).

❗ Problemas frecuentes y soluciones

• Desbalance de clases → aplicar SMOTE, NearMiss o class_weight.
• Sobreajuste → cross-validation, regularización, early stopping (si se usa boosting), más datos.
• Data leakage → hacer split antes del preprocesamiento y usar Pipeline/ColumnTransformer.
• Variabilidad de métricas → fijar random_state, aumentar K en CV, usar intervalos de confianza.