**Previsão de Cancelamento **
Um trabalho simples, realizado com o propósito de prática de estudo, tem como objetivo analisar a base de dados e desenvolver um modelo preditivo capaz de prever o cancelamento de serviços de uma empresa de telecomunicações com base em dados históricos de clientes.
Descrição do Problema:
A empresa de telecomunicações está enfrentando um desafio em relação à perda de clientes. A fim de reduzir o churn (cancelamento), é necessário identificar os fatores que causam essa decisão e desenvolver um modelo que seja capaz de prever quais clientes estão mais propensos a cancelar seus serviços.
Metodologia:
-
Pré-processamento dos Dados:
- O dataset fornecido contém informações sobre os clientes, quais serviços contratados, detalhes do serviço e histórico de pagamentos.
- As variáveis categóricas foram codificadas usando a técnica de codificação one-hot (dummies) para permitir a inclusão delas no modelo preditivo.
- Os dados foram normalizados para garantir que todas as variáveis tenham a mesma escala.
-
Análise Exploratória de Dados:
- Foi realizada uma análise exploratória dos dados para entender melhor as características dos clientes e identificar padrões ou correlações relevantes.
- Limpeza, alterações e tratamentos em geral nos dados.
- Gráficos e visualizações foram utilizados para examinar comportamentos dos clientes.
-
Modelo Preditivo:
- Modelos de aprendizado de máquina foram explorados, Regressão Logística e Random Forest.
- O modelo Random Forest demonstrou o melhor desempenho em termos de acurácia.
- Os dados foram divididos em conjuntos de treinamento e teste para avaliar o desempenho do modelo.
Através desse trabalho, foi possível explorar técnicas de pré-processamento de dados, análise exploratória e construção de modelos preditivos, fornecendo uma base para projetos futuros e aprofundamento nessa área. A aplicação de técnicas de análise de dados e machine learning pode fornecer previsões precisas e abre caminho para implementações futuras, como a criação de uma solução de deploy e exploração de técnicas de interpretabilidade do modelo.