🚀 Challenge TelecomX - Modelo Predictivo de Churn

Autor: [Marely Cárcamo Quisto]
Fecha: [Agosto-2025]
Repositorio: [Enlace a GitHub/GitLab]

📖 Índice

1. Descripción del Proyecto
2. Misión y Objetivos
3. Instalación y Uso
4. Flujo de Trabajo
5. Hallazgos Clave
6. Estructura del Repositorio
7. Contribución
8. Licencia

---

📌 Descripción del Proyecto

Análisis predictivo de cancelación de clientes (Churn) para TelecomX, identificando factores clave y proponiendo estrategias de retención basadas en datos. El proyecto incluye:

• Limpieza y preparación de datos
• Análisis exploratorio (EDA)
• Modelado predictivo con machine learning
• Interpretación de resultados y recomendaciones estratégicas

Entregables:

• Challenge1.ipynb: Notebook de limpieza y EDA
• Challenge2.ipynb: Notebook de modelado predictivo
• datos_tratados.csv: Dataset procesado
• informe_churn.pdf: Informe ejecutivo con conclusiones

---

🧠 Misión y Objetivos

Misión

Desarrollar modelos predictivos capaces de prever qué clientes tienen mayor probabilidad de cancelar sus servicios, permitiendo a TelecomX anticiparse al problema de la cancelación mediante un pipeline robusto para esta etapa inicial de modelado.

Objetivos

✔ Preparación de datos:

• Tratamiento de valores faltantes/anómalos
• Codificación y normalización de variables

✔ Análisis exploratorio:

• Correlación entre variables
• Selección de características

✔ Modelado predictivo:

• Entrenamiento de modelos de clasificación
• Evaluación con métricas (F1-Score, Recall, Precision)

✔ Interpretación:

• Importancia de variables en las predicciones
• Conclusiones estratégicas sobre factores de churn

---

🛠️ Instalación y Uso

Requisitos

# Instalar dependencias
pip install -r requirements.txt

Datos Originales

🔗 Dataset en formato JSON

Ejecución

jupyter notebook Challenge2.ipynb

---

🔍 Flujo de Trabajo

1. Preprocesamiento (Challenge1.ipynb)

• Limpieza de datos (ej: "No internet service" → "No")
• Creación/eliminación de variables (ej: tiene_Fibra_Optica)
• Análisis exploratorio (EDA)

2. Visualización y Gráficos Relevantes

Gráfico 1. Distribución de la Cancelación

Gráfico 2. Tiempo Contrato X Cancelación

Gráfico 3. Gasto Total X Cancelación

Gráfico 4. Correlación de Variables Categóricas

Gráfico 5. Importancia de Variables

3. Modelado Predictivo (Challenge2.ipynb)

# Pipeline completo
pipeline = Pipeline([
    ('scaler', StandardScaler()),
    ('model', RandomForestClassifier())
])

• Balanceo de clases con SMOTE
• Entrenamiento de modelos (Árbol de Decisión + Random Forest)
• Evaluación con métricas:
  • F1-Score: 0.84 (Random Forest)
  • Recall: 83%

---

📊 Hallazgos Clave

Factor	Impacto en Churn	Estrategia Propuesta
Contrato mensual	3× más riesgo	Ofertas anuales con 2 meses gratis
Primeros 6 meses	70% cancelaciones	Onboarding personalizado
Gasto <$50	60% más churn	Paquetes "Básico Plus"
Pago con cheque electrónico	25% más cancelaciones	Descuentos por pago automático

---

📂 Estructura del Repositorio

.
├── data/
│   ├── raw/                    # Datos originales (JSON)
│   └── processed/              # datos_tratados.csv
├── notebooks/
│   ├── Challenge1.ipynb        # Limpieza y EDA
│   └── Challenge2.ipynb        # Modelado predictivo
├── reports/
│   └── informe_churn.pdf       # Análisis ejecutivo
├── requirements.txt            # Dependencias
└── README.md                   # Este archivo

---

🤝 Contribución

1. Haz fork del proyecto
2. Crea tu rama (git checkout -b feature/nueva-mejora)
3. Haz commit de tus cambios (git commit -m 'Add some feature')
4. Haz push a la rama (git push origin feature/nueva-mejora)
5. Abre un Pull Request

---

📄 Licencia

MIT

---