Neste projeto iremos analisar dados de churn de uma empresa de telecomunições e criar modelos de machine learning para classificar possíveis clientes que possam cancelar seus planos.
Os dados utilizados neste projeto foram originalmente disponibilizados na plataforma de ensino da IBM Developer, e tratam de um problema típico de uma companhia de telecomunicações.
Apesar de não haver informações explícitas disponíves, os nomes das colunas permitem um entendimento a respeito do problema.
Churn rate, ou simplesmente churn, representa a taxa de evasão da sua base de clientes. Em serviços como Spotify ou Netflix, ela representaria a taxa de cancelamento de assinaturas. Ela é de extrema importância para a administração e sua análise ao longo do tempo pode mostrar que existe algum problema que deve ser atacado.
Churn também pode ser usado para identificar potenciais cancelamentos, com um tempo de antecedência, e promover ações direcionadas para tentar reter tais clientes. Essa métrica deve receber atenção pelo fato de que o Custo de Aquisição de Cliente (CAC) é normalmente mais alto que o custo para mantê-los. Ou seja, um alto valor para o churn rate é o que não desejamos.
Entender por que os clientes abandonam o seu produto é muito importante para o crescimento sustentável.
A taxa de churn geralmente é calculada num determinado período, seja anual, semestral ou mensal.
Por exemplo: se 1 de cada 20 clientes cancelam seu produto todo mês, isso representa que a taxa de churn para seu produto será de 5%.
Você também pode calcular a taxa de churn, que irá representar o percentual de contas que estão cancelando em comparação com a base de cliente ativos, da seguinte forma:
Churn Rate: total de clientes cancelados / número total de clientes ativos do último mês
A taxa de churn depende de vários fatores, como:
- O bom relacionamento com seus clientes;
- A percepção de valor do produto que você está oferecendo;
- A autoridade e credibilidade que sua empresa tem no assunto;
- O tipo de atendimento que é prestado desde o primeiro contato.
Em sistemas complexos, avaliar todas estas variáveis é imprescindível para o sucesso da empresa. Geralmente, quando um usuário desiste de assinar um serviço é porque não vê mais valor naquele serviço oferecido por determinada empresa.
Entender e extrair informações de um conjunto extenso de dados de clientes é desafiador, e é aqui que o Machine Learning pode ajudar empresas a traçar perfis de seus clientes e identificar possíveis cancelamentos antes de acontecer.
Aqui você vai encontrar três arquivos pricipais:
-
main.py : Código fonte da interface gráfica desenvolvida para realizar o deploy do modelo com streamlit.
-
load_model.py : Módulo que carrega os arquivos do modelo na pasta dados. Este módulo é chamado do main.py.
-
Analise_Churn_Prediction.ipynb : Jupyter Notebook com todo os código de análise de dados e treinamento do modelo.
Neste link você acessa o deploy online do aplicativo do projeto.