Telco Customer Churn

Índice

• Telco Customer Churn
  • Índice
  • Contextualização:
  • Metodologia Aplicada:
  • Entendimento do Negócio:
  • Entendimento dos Dados:
    • Variáveis:
    • Verificando as Dimensões do DataFrame:
    • Describe:
    • Verificando Valores Nulos:
    • Verificando Tipos:
    • Verificando Duplicados:
    • Verificando Ditribuição:
  • Preparação dos Dados:
    • Separando features:
    • Separando X e Y:
    • Train-test split:
    • Tratando os nulos:
    • Construção do pipeline de pré-processamento:
  • Modelagem:
    • Pipeline:
    • Modelos:
    • Buscando os melhores modelos:
    • Melhor modelo:
  • Avaliação:
  • Implantação:
  • Pré-requisitos para executar o projeto:
    • Ambiente virtual e Dependências:

Contextualização:

Uma empresa fictícia de telecomunicações que ofereceu serviços de telefone residencial e internet para 7043 clientes na Califórnia no terceiro trimestre

Metodologia Aplicada:

A análise foi realizada utilizando o modelo CRISP-DM, o CRISP-DM (Cross Industry Standard Process for Data Mining) é um modelo padrão de processo para projetos de mineração de dados que define um conjunto de fases e tarefas que devem ser executadas para desenvolver soluções de mineração de dados efetivas.

O modelo CRISP-DM é uma abordagem sistemática e estruturada para a mineração de dados que ajuda as empresas a desenvolver soluções de mineração de dados de maneira eficiente e eficaz, reduzindo o tempo e os custos do projeto.

Entendimento do Negócio:

Este projeto tem como objetivo prever o custo do seguro de saúde.

Entendimento dos Dados:

Variáveis:

Campo	Descrição
CustomerID	ID do cliente
Latitude	Latitude geográfica da localização do cliente
Longitude	Longitude geográfica da localização do cliente
Gender	Gênero do cliente
Senior Citizen	Indicação se o cliente é idoso
Partner	Indicação se o cliente tem parceiro
Dependents	Indicação se o cliente possui dependentes
Tenure Months	Número de meses de permanência do cliente
Phone Service	Indicação se o cliente possui serviço telefônico
Multiple Lines	Indicação se o cliente possui múltiplas linhas telefônicas
Internet Service	Tipo de serviço de internet do cliente
Online Security	Indicação se o cliente possui segurança online
Online Backup	Indicação se o cliente possui backup online
Device Protection	Indicação se o cliente possui proteção de dispositivo
Tech Support	Indicação se o cliente possui suporte técnico
Streaming TV	Indicação se o cliente possui serviço de streaming de TV
Streaming Movies	Indicação se o cliente possui serviço de streaming de filmes
Contract	Tipo de contrato do cliente
Paperless Billing	Indicação se o cliente utiliza fatura eletrônica
Payment Method	Método de pagamento do cliente
Monthly Charges	Valor mensal cobrado ao cliente
Total Charges	Valor total cobrado ao cliente
CLTV	Tempo de vida do cliente como valor do cliente
Churn Value	Indicação de se o cliente cancelou o serviço

Verificando as Dimensões do DataFrame:

Describe:

Verificando Valores Nulos:

Verificando Tipos:

Verificando Duplicados:

Verificando Ditribuição:

Preparação dos Dados:

Separando features:

Separando X e Y:

Train-test split:

Tratando os nulos:

Construção do pipeline de pré-processamento:

Modelagem:

Pipeline:

Modelos:

Buscando os melhores modelos:

Melhor modelo:

Avaliação:

...

Implantação:

Iniciando a etapa de implementação do modelo em produção.

Pré-requisitos para executar o projeto:

Abaixo, listarei os requisitos necessários para que o projeto funcione corretamente.

Ambiente virtual e Dependências:

Criando ambiente virtual:

python3 -m venv core/.venv python=3.10.6

Entrando no ambiente virtual:

source core/.venv/bin/activate

Instale as dependências:

pip install -r core/requirements.txt

---

Linkedin: https://www.linkedin.com/in/samuel-barbosa-dev/

E-mail: samueloficial@protonmail.com