No Alura Challenge Dados 2ª Edição, o objetivo é desenvolver uma solução para uma empresa de telecomunicações que visa compreender e prever a Taxa de Evasão de Clientes (Churn Rate). O projeto segue um cronograma de quatro semanas, com cada semana correspondendo a uma etapa específica.
Na primeira semana, focamos na preparação dos dados e na obtenção de insights iniciais (ETL & EDA). As atividades incluíram:
- Compreensão do conteúdo do conjunto de dados;
- Identificação e tratamento de inconsistências;
- Análise do comportamento das features categóricas e numéricas em relação a target;
- Avaliação da correlação entre as variáveis.
Notebook Correspondente: S01.ipynb
Na segunda semana, construímos e otimizamos o modelo de ML. Os processos incluíram:
- Lidar com o desbalanceamento dos dados da target usando três abordagens: Oversampling (SMOTE), Undersampling (Tomek Links) e Default (mantendo o desbalanceamento).
- Encoding dos dados categóricos usando CatBoost, normalização dos dados numéricos usando StandardScaler e construção do pipeline.
- Utilização do RepeatedStratifiedKFold com 3 folds para avaliar o desempenho dos modelos.
- Ajuste de hiperparâmetros usando Grid Search para cada abordagem.
- Avaliação dos modelos usando o Recall como métrica crítica.
- Visualização dos resultados usando a matriz de confusão e a curva ROC (com o valor da AUC).
- Explicação dos resultados usando SHAP (Feature Importance e Waterfall).
Notebook Correspondente: S02.ipynb
Nas últimas duas semanas desenvolvemos um aplicativo utilizando o Streamlit para disponibilizar nosso modelo de previsão de churn para a Novexus. Esse aplicativo oferece duas opções de entrada de dados: a possibilidade de importar um arquivo CSV contendo os dados do cliente ou a inserção manual desses dados. Quando o usuário utiliza o aplicativo, ele recebe como retorno a probabilidade de um cliente deixar a empresa. Essa probabilidade é apresentada de forma visual através de um gráfico tipo "gauge chart".
Para acessar o aplicativo, clique no link a seguir: Churn Predictor Novexus
O código-fonte do aplicativo está disponível em: S03.py.
Após o treinamento de 6 modelos (Regressão Logística, KNN, Gradient Boosting, Árvore de Decisão, Floresta Randômica e Support Vector Machine), observamos que a Regressão Logística se destacou nas três abordagens em relação ao Recall. Escolhemos mais dois modelos com melhor desempenho nessa métrica e realizaremos um ajuste de hiperparâmetros usando Grid Search. Os resultados foram os seguintes:
- Na estratégia de Oversampling, a Regressão Logística alcançou um Recall de 76.29%.
- Na estratégia de Oversampling e na estratégia Default, a Gradient Boosting alcançou um Recall de 74.67% e 73.62%, respectivamente.
Embora os três modelos tenham pontuações muito próximas, a estratégia de Oversampling se destacou. Portanto, utilizamos esses três melhores modelos para avaliar no conjunto de teste. Os resultados foram:
- A Regressão Logística com Oversampling teve o recall mais alto, mas a precisão foi um pouco baixa.
- O Gradient Boosting com Undersampling equilibrou razoavelmente a precisão e o recall.
- O Gradient Boosting com amostragem padrão teve a melhor precisão para a classe 1, mas o recall foi mais baixo.
Dado o setor de telecomunicações, onde o custo de atrair novos clientes é alto, minimizar a perda de clientes é fundamental. Portanto, consideramos o modelo Regressão Logística com oversampling como a escolha mais adequada para prever a probabilidade de um cliente churn.
-
Priorizar Contratos de Longo Prazo: A análise de dados demonstrou que clientes com contratos de maior duração têm maior probabilidade de permanecer na Novexus. Recomendamos que a empresa concentre-se em oferecer planos de contrato anual tradicionais, alocando recursos significativos de marketing e promoções para esses planos.
-
Planos Sem Contrato Fixo como Alternativa: Os planos sem contrato fixo podem ser oferecidos como uma opção secundária, mantendo o foco principal nos planos de contrato anual.
-
Promoção da Fibra Óptica: Para combater a alta taxa de churn entre os clientes de fibra óptica, considere oferecer descontos especiais para incentivá-los a permanecer. Comunique claramente esses benefícios aos clientes de fibra óptica.
-
Redução do Processamento de Cheques Eletrônicos: Avalie a possibilidade de incentivar os clientes a migrarem para métodos de pagamento mais eficientes, como pagamentos com cartão de crédito. Ofereça incentivos para essa transição.
Recomendações detalhadas: Última seção no arquivo S02.ipynb
Status do Projeto: Concluido ✔️