ONE-G9-Challenge-Telecom
📊 Análisis de Evasión de Clientes — Telecom X
📋 Tabla de contenidos
- 📖 Descripción
- 🎯 Objetivo del proyecto
- 🏁 Estado del proyecto
- ⚙️ Desarrollo del proyecto
- 📌 Resultados destacados
- ✅ Tecnologías utilizadas
- 👤 Autor
📖 Descripción
Telecom X enfrenta una alta tasa de cancelación de clientes, por lo que resulta necesario comprender los factores que influyen en la pérdida de clientes. En este proyecto se recopilan, procesan, transforman y analizan los datos utilizando Python y sus principales bibliotecas, con el objetivo de extraer información relevante.
Los resultados de este análisis sirven como base para el desarrollo de modelos predictivos y para la definición de estrategias de retención, orientadas a reducir la evasión de clientes.
🎯 Objetivo del proyecto
Identificar los principales factores asociados al abandono de clientes en Telecom X mediante un análisis exploratorio de datos, con el fin de generar insights accionables que permitan diseñar estrategias de retención y sentar las bases para futuros modelos predictivos de churn.
🏁 Estado del proyecto
🏁 Proyecto finalizado 🏁
⚙️ Desarrollo del proyecto
1. Recolección y preparación de datos
Se importaron las librerías necesarias para el análisis y la base de datos de la empresa, proveniente de un archivo JSON. Posteriormente, se normalizaron las columnas que contenían diccionarios y se ajustaron los tipos de datos.
Además, se trataron y eliminaron valores nulos, se renombraron columnas y se estandarizaron las variables de naturaleza binaria. Estas tareas permitieron mejorar la calidad, consistencia y legibilidad de los datos, facilitando su posterior análisis.
2. Análisis exploratorio de datos (EDA)
Se aplicaron distintos métodos para analizar la distribución de las variables y se calcularon y visualizaron las tasas de abandono bajo diferentes supuestos. Asimismo, se realizaron comparaciones entre variables mediante tablas resumen.
Se utilizó un mapa de calor para visualizar las correlaciones entre la variable Abandono y el resto de las variables numéricas y binarias. Además, se determinó el perfil de los clientes que continúan y de aquellos que abandonan la empresa a partir del análisis de sus preferencias, meses de permanencia y gasto acumulado.
Por último, mediante gráficos de líneas, se presentó la evolución de variables clave en función de los meses de permanencia de los clientes.
3. Conclusiones e insights
En esta sección se presentan las principales conclusiones derivadas del análisis de las variables categóricas, los servicios contratados, el tiempo de permanencia y los cargos asociados a los clientes. A partir de estos análisis, se identificaron patrones claros de comportamiento y se definieron los perfiles del cliente que abandona y del cliente que continúa en la empresa.
Los insights obtenidos permiten comprender los factores que más influyen en la cancelación del servicio y sirven como base para la toma de decisiones estratégicas orientadas a la retención de clientes.
4. Recomendaciones
A partir de los insights obtenidos, se proponen acciones orientadas a reducir la tasa de abandono y fortalecer la relación con los clientes, con foco en las etapas tempranas del vínculo comercial.
Las principales líneas de acción recomendadas son:
- Implementar estrategias de retención temprana, priorizando clientes con contratos flexibles y servicios de alta exigencia como la fibra óptica.
- Incentivar la migración hacia contratos de mayor duración, generando barreras de salida amigables.
- Promover la contratación de servicios complementarios (soporte técnico, seguridad en línea) como factores de retención.
- Fomentar el uso de medios de pago automatizados para aumentar el compromiso del cliente.
- Orientar las estrategias comerciales hacia la calidad del servicio y el valor agregado, más que hacia la cantidad de servicios contratados.
Estas recomendaciones sientan las bases para el desarrollo de modelos predictivos de abandono y para la definición de estrategias de retención basadas en datos.
📌 Resultados destacados
- El abandono de clientes se concentra principalmente en los primeros meses de permanencia.
- Los contratos mes a mes presentan tasas de abandono significativamente más altas.
- La fibra óptica se identifica como un segmento de alto riesgo cuando no está acompañada de servicios de soporte.
- Los medios de pago no automatizados están asociados a una mayor probabilidad de evasión.
- Los servicios complementarios actúan como barreras de salida y mejoran la retención.
✅ Tecnologías utilizadas
💬 Lenguaje
- Python
📚 Librerías principales
pandasnumpymatplotlibseaborn
🧩 Entorno de desarrollo
- Google Colab