README - Análise de Churn de Clientes Objetivo do Projeto Este projeto visa realizar uma análise exploratória de dados (EDA) para identificar os principais fatores associados ao churn de clientes em uma empresa de telecomunicações. A partir da análise, são sugeridas estratégias para reduzir a taxa de churn e aumentar a retenção de clientes.
Descrição do Problema O churn é um dos principais desafios enfrentados por empresas de telecomunicações, representando a perda de clientes em um período específico. A análise dos dados permite identificar padrões de comportamento que levam ao churn, possibilitando ações preventivas.
Base de Dados A base de dados utilizada contém informações detalhadas de clientes, incluindo:
Dados demográficos: gênero, dependentes, parceiros. Serviços contratados: tipo de internet, telefone, serviços adicionais. Tipo de contrato: mensal, anual, etc. Cobranças: valores mensais e totais. Tempo de permanência (tenure). Status de churn: Se o cliente deixou o serviço (Yes/No). Fonte: Base fictícia fornecida para fins de estudo.
Etapas do Projeto Pré-processamento dos dados
Importação e limpeza dos dados. Conversão de tipos de variáveis (numéricas e categóricas). Tratamento de valores nulos e inconsistentes. Análise Exploratória de Dados (EDA)
Visualização de variáveis numéricas e categóricas. Identificação de padrões associados ao churn. Geração de gráficos (boxplots, histogramas, heatmaps). Principais Insights
Clientes com contratos mensais têm maior risco de churn. Custo mensal elevado está associado a maior churn. Clientes com menor tempo de permanência (tenure) tendem a cancelar o serviço mais cedo. Documentação
Código estruturado e documentado. Relatório de considerações finais. Tecnologias Utilizadas Python: Pandas, Matplotlib, Seaborn Jupyter Notebook Git/GitHub Como Executar o Projeto Clone o repositório: bash Copiar código git clone https://github.com/seu-usuario/projeto-churn.git Instale as dependências necessárias: bash Copiar código pip install pandas matplotlib seaborn jupyter Execute o notebook: bash Copiar código jupyter notebook Abra o arquivo churn_analysis.ipynb no Jupyter Notebook. Base de Dados A base de dados churn_data.csv pode ser encontrada na pasta data do repositório.
Resultados Os resultados obtidos na análise exploratória estão documentados no notebook e mostram os fatores críticos que influenciam o churn.
Principais Gráficos:
Distribuição de Monthly Charges e Total Charges Relação entre tenure e churn Análise por tipo de contrato e tipo de serviço de internet Próximos Passos Aplicar modelos de Machine Learning para prever churn. Desenvolver estratégias de retenção baseadas nos insights obtidos. Autor Leonardo Fila Koide