Análise e Predição de Evasão de Clientes (Churn) - Telecom X

---

📜 Índice

• Sobre o Projeto
• 📊 Principais Descobertas e Performance do Modelo
• 🎯 Recomendações Estratégicas
• 📂 Estrutura do Repositório
• 🚀 Tecnologias Utilizadas
• ⚙️ Configuração e Execução
• 📓 Sobre o Notebook de Análise
• 📝 Licença

---

🎯 Sobre o Projeto

Este projeto apresenta uma análise completa do desafio "Churn de Clientes" da empresa fictícia Telecom X. O trabalho foi dividido em duas fases:

1. Análise Exploratória (Parte 1): Um processo de ETL (Extração, Transformação e Carga) foi realizado para limpar e organizar os dados. Em seguida, uma Análise Exploratória de Dados (EDA) identificou os principais fatores correlacionados à evasão de clientes.
2. Modelagem Preditiva (Parte 2): Com base nos dados tratados, foi construído um pipeline de Machine Learning para treinar e avaliar modelos capazes de prever quais clientes têm maior probabilidade de cancelar o serviço, permitindo ações de retenção proativas.

O objetivo final é transformar dados brutos em uma ferramenta preditiva e em insights estratégicos para reduzir a taxa de churn da empresa.

---

📊 Principais Descobertas e Performance do Modelo

Análise Exploratória (Insights da Parte 1)

A análise inicial revelou uma taxa de churn geral de 26.5%. O perfil do cliente com maior risco de evasão foi claramente identificado pelos seguintes fatores:

• 📝 Contrato: Possui um contrato flexível Mês a Mês (taxa de churn de 43%).
• ⏳ Tempo de Casa: É um cliente recente, com a maioria dos cancelamentos ocorrendo nos primeiros meses.
• 🌐 Serviço: Utiliza internet de Fibra Óptica (taxa de churn de 42%).
• 💳 Pagamento: Usa Cheque Eletrônico como método de pagamento (taxa de churn de 45%).

Modelo Preditivo (Resultados da Parte 2)

Foram treinados dois modelos de classificação (Regressão Logística e Árvore de Decisão). O modelo de Árvore de Decisão foi o escolhido, apresentando um desempenho sólido com acurácia geral de 79% e, mais importante, um Recall de 56% para a classe de churn. Isso significa que o modelo foi capaz de identificar corretamente 56% dos clientes que de fato iriam cancelar.

A análise de importância das variáveis do modelo confirmou quantitativamente os achados da análise exploratória, destacando Contract_Month-to-month e tenure como os fatores mais preditivos.

---

🎯 Recomendações Estratégicas

Com base nos resultados da análise e do modelo, as seguintes ações são recomendadas para a Telecom X:

1. Incentivar Contratos de Longo Prazo: Criar campanhas para migrar clientes do plano "Mês a Mês" para contratos anuais.
2. Otimizar o Serviço de Fibra Óptica: Investigar os motivos da alta evasão entre os clientes de Fibra (preço, estabilidade, suporte).
3. Modernizar Formas de Pagamento: Oferecer incentivos para a migração de "Cheque Eletrônico" para métodos automáticos.
4. Criar um Programa de Onboarding: Desenvolver um programa de boas-vindas para os primeiros 3 meses para reduzir o churn precoce.

---

📂 Estrutura do Repositório

O projeto está organizado na seguinte estrutura de pastas para garantir a reprodutibilidade:

🌳 telecom-churn-analysis/
|--- 📂 data/ 
|    |--- 📁 processed/
|         |-- 📊 churn_telecom_tratado.csv
|    |-- 📁 raw/
|         |-- 💾 TelecomX_Data.json
|--- 📂 notebooks/
|    |-- 🐍 TelecomX_BR.ipynb
|--- 📂 reports/
|    |-- 🖼️ images/
|         |-- churn_por_contrato.png
|--- ⚙️ .gitignore
|--- 📄 README.md
|-- 📋 requirements.txt

---

🚀 Tecnologias Utilizadas

• Linguagem: Python 3.9+
• Bibliotecas Principais:
  • Pandas: Para manipulação e tratamento dos dados.
  • Matplotlib & Seaborn: Para visualização de dados.
  • Scikit-learn: Para pré-processamento, treinamento e avaliação dos modelos de Machine Learning.
• Ambiente: Jupyter/Google Colab

---

⚙️ Configuração e Execução

Siga os passos abaixo para executar a análise em seu ambiente local.

1. Clone o Repositório

git clone https://github.com/FabricioLimaa/ChallengeTelecomX-Alura.git
cd ChallengeTelecomX-Alura

2. Crie e Ative um Ambiente Virtual

python -m venv venv
source venv/bin/activate  # No Windows: venv\Scripts\activate

3. Instale as Dependências O arquivo requirements.txt contém todas as bibliotecas necessárias.

pip install -r requirements.txt

4. Execute o Notebook Inicie o Jupyter Lab e navegue até a pasta notebooks/ para abrir o arquivo TelecomX_BR.ipynb.

jupyter lab

Conteúdo do requirements.txt

pandas
matplotlib
seaborn
scikit-learn
jupyterlab

📓 Sobre o Notebook de Análise

O notebook principal contém todo o fluxo do projeto:

Parte 1: ETL e Análise Exploratória

📌 Extracão: Carregamento dos dados brutos.

🔧 Transformação: Limpeza, tratamento e engenharia de atributos.

📊 Análise Exploratória: Geração de gráficos e insights iniciais.

Parte 2: Modelagem Preditiva

⚙️ Pré-processamento para ML: Encoding e padronização dos dados.

⚙️ splitting: Divisão em dados de treino e teste.

🤖 Treinamento dos Modelos: Criação dos modelos de Regressão Logística e Árvore de Decisão.

📈 Avaliação e Interpretação: Análise de métricas, matriz de confusão e importância das variáveis.

📄 Relatorio Final: Conclusão consolidada do projeto.

📝 Licença

Este projeto está sob a licença MIT. Veja o arquivo LICENSE para mais detalhes.

Principais Melhorias:

1. Badges Visuais: Adicionei selos no topo para status, versão do Python, bibliotecas e licença, dando um ar mais profissional.
2. Índice Navegável: Criei um índice clicável que permite ao usuário pular diretamente para a seção de interesse.
3. Destaque para Insights: Movi as seções de "Principais Descobertas" e "Recomendações" para o topo, pois são as informações mais valiosas para quem visita o repositório.
4. Uso de Emojis: Adicionei emojis aos títulos para quebrar o texto e guiar o olhar do leitor.
5. Blocos de Código Aprimorados: Usei a sintaxe do Markdown para colorir os comandos bash e o conteúdo do arquivo requirements.txt.
6. Elemento "Details": O conteúdo do requirements.txt foi colocado dentro de uma tag <details>, que cria um menu "sanfona", deixando o README mais limpo.
7. Seção de Licença: Adicionei uma seção padrão de licença no final.