Telecom X2 - Previsão de Churn com Machine Learning

Visão geral do projeto

Este projeto é a segunda fase do desafio da Telecom X, focada na construção de um pipeline de Machine Learning para prever a evasão de clientes (Churn). O objetivo central foi preparar os dados, lidar com o desbalanceamento de classes, treinar modelos preditivos e extrair insights acionáveis para embasar estratégias de retenção.

Stack tecnológica

• Python & Pandas: Carregamento de dados tratados e manipulação de DataFrames.
• Scikit-Learn & Imbalanced-Learn: Transformação categórica (One-Hot Encoding), normalização (MinMaxScaler), balanceamento de classes (SMOTE) e modelagem preditiva (Regressão Logística e Random Forest).
• Matplotlib & Seaborn: Geração de visualizações estatísticas (boxplots e barplots) para interpretação dos modelos e data storytelling.
• Google Colab: Ambiente de prototipagem e documentação técnica.

Relatório Executivo e Resultados

1. Desempenho da Modelagem Preditiva

Desenvolvemos e testamos dois algoritmos de Machine Learning para antecipar a evasão de clientes:

• Regressão Logística: Apresentou o melhor desempenho na métrica principal (Recall de 57%), demonstrando maior capacidade de "pescar" clientes que realmente estão prestes a cancelar o serviço.
• Random Forest: Apresentou uma precisão superior (68%), sendo mais cauteloso antes de emitir um alerta de Churn, e obteve uma acurácia geral de 81%.

Recomendação Técnica: Para problemas de retenção, o custo de perder um cliente (Falso Negativo) é muito maior do que o custo de oferecer um desconto para um cliente que ficaria (Falso Positivo). Portanto, o modelo de Regressão Logística foi escolhido como o ideal para a operação da Telecom X.

2. Análises Direcionadas

Antes da modelagem, confirmamos visualmente que clientes com contratos curtos e gastos elevados têm maior propensão à evasão.

3. Principais Fatores de Evasão (Insights dos Modelos)

A "abertura da caixa preta" dos modelos revelou padrões comportamentais claros:

1. O Peso do Contrato: O contrato mensal é o maior gatilho para o Churn.
2. O Tempo é Crucial: Os meses de contrato atuam como o maior escudo da empresa.
3. O Custo Financeiro: O gasto mensal elevado afasta fortemente os clientes.

Recomendações Estratégicas

Com base nas predições do modelo selecionado e nos fatores de evasão identificados, sugerimos as seguintes ações para a equipe de negócios:

• Automação de Descontos: Conectar o modelo de Regressão Logística ao sistema de faturamento. Quando o algoritmo identificar um risco de Churn elevado para um determinado cliente, o sistema deve disparar automaticamente um e-mail com desconto atrativo para upgrade para o plano Anual.
• Foco nos Primeiros Meses: Aumentar o contato humano (equipe de Sucesso do Cliente) e oferecer serviços agregados gratuitos (como Segurança Online) durante os primeiros 6 meses de vida do cliente mensal, criando uma "barreira de saída" e aumentando o valor percebido do serviço.

Como explorar a análise

1. Clone este repositório.
2. Abra o arquivo Challenge3-dataScience-TelecomX2.ipynb no Google Colab.
3. Certifique-se de fazer o upload do dataset dados_tratados.csv (gerado na fase 1) no ambiente.
4. Execute as células sequencialmente para acompanhar a pipeline de pré-processamento, treinamento, avaliação e o relatório executivo final.

---

Transparência e Vibe Coding: A análise de dados, pipeline de Machine Learning e tomada de decisão estratégica apresentadas neste repositório são de minha autoria. A redação e formatação estrutural deste README, bem como o suporte técnico na otimização de métricas e relatórios, foram realizadas com auxílio de IA (Gemini), focando em agilidade e entrega profissional.