📊 TELECOMX LATAM - Análisis de Evasión de Clientes (Churn)
Este proyecto analiza datos de clientes de Telecom X para comprender los factores que influyen en la evasión de clientes (Churn), identificar patrones y proponer recomendaciones estratégicas para reducirla.
🚀 Objetivo
Analizar los datos de clientes para:
- Conocer las características de los usuarios que cancelan el servicio.
- Identificar patrones asociados a la evasión.
- Proponer acciones para mejorar la retención.
- Los datos fueron obtenidos desde la API de Telecom X en formato JSON.
- Se cargaron y transformaron a un DataFrame de pandas para facilitar su manipulación.
🧹 Limpieza y Tratamiento de Datos
- Exploración de la estructura y tipos de datos.
- Corrección de valores nulos y categorías vacías (por ejemplo, en la columna
Churn).
- Conversión de variables numéricas y normalización de formatos.
- Creación de una columna adicional
Cuentas_Diarias (cálculo del costo diario).
- Estandarización: conversión de variables como
Churn a formato binario y renombrado de columnas para mayor claridad.
📊 Análisis Descriptivo
Se calcularon métricas estadísticas de variables numéricas:
- Media, mediana, desviación estándar, valores mínimos y máximos.
- Variables analizadas:
CargoMensual, CargoTotal, MesesAntiguedad.
📈 Análisis Exploratorio
Se realizaron varias visualizaciones y análisis para profundizar:
- Distribución de evasión: proporción de clientes que cancelaron frente a los que permanecen.
- Evasión según variables categóricas: género, tipo de contrato, método de pago, tipo de internet, telefonía.
- Evasión según variables numéricas: antigüedad, cargos mensuales y totales, comparando clientes que cancelaron vs. los que permanecen.
🔍 Principales Insights
- Mayor evasión entre clientes con contratos mes a mes y pagos electrónicos.
- Clientes con menor antigüedad tienden a cancelar más.
- Cargos mensuales más altos parecen estar asociados a mayor evasión.
💡 Recomendaciones Estratégicas
- Incentivar contratos a largo plazo mediante descuentos o beneficios.
- Diseñar campañas de retención enfocadas en clientes nuevos o con cargos altos.
- Revisar políticas para clientes que pagan por métodos electrónicos y buscar fidelizarlos.
Incluido dentro del notebook:
- Introducción.
- Detalle de limpieza y tratamiento.
- Análisis descriptivo y exploratorio.
- Conclusiones e insights clave.
- Recomendaciones accionables.
🛠️ Herramientas Utilizadas
- Python 3
- Pandas para manejo de datos.
- Matplotlib y Seaborn para visualización.
- Jupyter Notebook como entorno de análisis.
✅ Resultado
Un dataset limpio, estructurado y visualizado, que permite entender mejor la evasión y diseñar estrategias para mejorar la retención de clientes.
Autor: Dilan Utria
📅 Proyecto: TELECOMX_LATAM - https://dilanuc.github.io/Challenge_TelecomX_Latam/