← Volver![]()
Telecom X — análisis de la evasión de clientes (churn)
ETL + EDA en Colab con informe final escrito: dónde y por qué se van los clientes
Problema
Limpiar los datos de Telecom X (7,267 clientes) y explicar qué perfiles y condiciones concentran la evasión (churn), con recomendaciones para reducirla.
Datos
TelecomX_Data.json del challenge Alura LATAM (7,267 registros anidados: cliente, teléfono, internet, cuenta), descargado por requests dentro del notebook.
Métodos
- Extracción con requests + json_normalize (21 columnas aplanadas)
- Limpieza: Cargo_total a numérico (regex), 11 nulos imputados con la mediana, 224 valores vacíos de Churn imputados con la mediana, 0 duplicados, codificación de categóricas
- Columna derivada Cuentas_diarias (Cargo_mensual / 30.44)
- EDA: histogramas con KDE, boxplots con cuartiles anotados, distribuciones categóricas con porcentajes
- Análisis de churn: donut, mapa de calor de correlación (21 variables), churn por rangos de antigüedad, tipo de contrato, servicios, método de pago y facturación online
- Caracterización de clientes de 0 a 9 meses de antigüedad (1,927 clientes) y recomendaciones escritas
- Informe final redactado dentro del notebook
Resultados
- Churn general: 25.7 % de 7,267 clientes.
- Antigüedad de 0 a 4 meses: 53 % de abandono; entre los 1,927 clientes de 0 a 9 meses, 47.9 % (923) se van.
- Contrato mes a mes es el peor; anual 10.9 % y bianual 2.8 % de abandono. Pago con electronic check: 43.8 %. Sin servicio de internet: 7.1 %. Facturación online: 32.5 %.
- La variable numérica más asociada al abandono es la antigüedad (correlación −0.34); siguen tipo de contrato (−0.39) y los servicios de internet.
Dos honestidades del propio notebook: los 224 valores vacíos de Churn se imputaron con la mediana (imputa el propio objetivo binario) y las «curvas de regresión logística» son visualizaciones de seaborn regplot(logistic=True), no un modelo entrenado.
Galería
Herramientas
PythonpandasNumPymatplotlibseabornGoogle Colab