Projeto de análise exploratória de dados e modelagem preditiva para identificar clientes com risco de cancelamento na empresa TelecomX.

Desenvolver um pipeline completo de ciência de dados que permita à TelecomX:

1. Compreender o perfil dos clientes que cancelam o serviço
2. Identificar as variáveis com maior impacto na evasão
3. Prever quais clientes têm maior risco de churn com modelos de machine learning

• Python 3.8+
• pip

pip install pandas numpy matplotlib seaborn scikit-learn

python analise_churn.py

Os gráficos serão salvos automaticamente na pasta outputs/.

O dataset está em formato JSON aninhado (com sub-objetos customer, phone, internet, account). O script realiza o flatten para um DataFrame tabular.

• 73,4% dos clientes não evadiram
• 26,6% evadiram

O dataset é desbalanceado. Ambos os modelos utilizam class_weight='balanced' para compensar esse desequilíbrio, evitando que o modelo aprenda a prever apenas a classe majoritária.

15 variáveis categóricas foram transformadas em 26 colunas binárias via pd.get_dummies(), resultando em um DataFrame com 46 features no total. Essa técnica é necessária pois algoritmos de ML operam com valores numéricos.

As variáveis com maior correlação com Churn:

Justificativa: Modelo linear interpretável, padrão para classificação binária. Permite analisar diretamente os coeficientes de cada variável para entender o impacto na probabilidade de evasão.

Normalização: ✅ Necessária (StandardScaler). A Regressão Logística otimiza por gradiente e é sensível à escala das features. Variáveis em escalas muito diferentes (ex: tenure em meses vs. TotalCharges em reais) distorcem os coeficientes sem normalização.

Resultados:

Variáveis mais relevantes (coeficientes):

• tenure → coeficiente negativo forte: mais tempo = menor risco de evasão
• MonthlyCharges → negativo após normalização (correlacionado com tenure)
• InternetService_Fiber optic → coeficiente positivo: fibra aumenta risco
• Contract_Two year → coeficiente negativo: contratos longos retêm clientes

Justificativa: Modelo de ensemble baseado em múltiplas árvores de decisão. Captura relações não-lineares, é robusto a outliers e fornece importância de features de forma nativa. Não requer normalização pois as divisões nas árvores são baseadas em limiares relativos, independentes da escala.

Normalização: ❌ Não necessária.

Resultados:

Variáveis mais importantes (feature importance):

1. tenure (13,1%) – tempo de contrato é o preditor mais poderoso
2. Contract_Month-to-month (11,3%) – contratos mensais elevam o risco
3. TotalCharges (10,4%) – total gasto acumulado
4. MonthlyCharges (7,8%) – valor mensal da fatura
5. Contract_Two year (5,9%) – contratos longos reduzem o risco

Ambos os modelos alcançam AUC-ROC ≈ 0.845, indicando boa capacidade discriminativa. O Random Forest tem leve vantagem em recall para a classe minoritária, enquanto a Regressão Logística é preferível quando a interpretabilidade é prioridade.

• Contrato mês a mês
• Serviço de fibra óptica sem add-ons de segurança/suporte
• Pagamento via cheque eletrônico
• Pouco tempo de contrato (tenure < 12 meses)
• Sem parceiro ou dependentes

1. Incentivar contratos anuais/bianuais com descontos progressivos
2. Ofertar pacotes de OnlineSecurity e TechSupport para clientes de fibra
3. Programa de fidelização para clientes nos primeiros 12 meses
4. Alertas automáticos para clientes com perfil de alto risco identificado pelo modelo
5. Revisar a experiência de clientes com pagamento via cheque eletrônico

• Python 3.x
• Pandas – manipulação de dados
• NumPy – operações numéricas
• Matplotlib / Seaborn – visualizações
• Scikit-learn – modelos de machine learning e métricas