Tutorial de como implementar um modelo de Churn

Autor: Juliana Scudilio

Linguagem: Python

Empresas que utilizam data driven maximizam seus resultados através de informações extraídas dos dados. Ou seja, utilizam os dados para extrair informações e usam as informações para tomar decisões.

"Seus clientes mais insatisfeitos são sua maior fonte de aprendizado (Bill Gates)."

A taxa de retenção de clientes é um bom indicativo de qualidade do seu produto/serviço. Se o produto/serviço não são de qualidade, você irá observar uma porcentagem alta de clientes deixando de comprar ou trocando de empresa, ou seja, uma alta taxa de Churn.

Mas quais são as características que leva um cliente a dar o Churn?

O objetivo desse artigo é identificar o perfil dos clientes que cancelaram o contrato de uma agência financeira e também construir um modelo de Machine Learning para identificar os clientes em risco de Churn.

Para esse projeto de Data Science seguiremos essas etapas

• Entendimento do Problema
• Obtenção dos dados
• Análise Exploratória dos dados
• Pré-processamento
• Modelos de Machine Learning
• Avaliação do modelo

Parte I: arquivo pdf sobre o problema de Churn em empresas e seus impactos.

Parte II: Análise exploratória dos dados para entender os principais fatores que levam o Churn do cliente.

Parte II: Construção do modelo de Churn, utilizamos técnicas de aprendizado supervisionado e os algoritmos KNN, Random Forest e XGBoost. No final utilizamos a técnica Ensemble para combinar os melhores modelos e prever os clientes em Churn.