Primeiro Desafio da Alura de Data Science sobre redução da taxa de evasão de clientes, chamado de Churn Rate.

• LinkedIn
• [email protected]

Como cientista de dados pela operadora de telecomunicações Alura Voz. Na reunião inicial com as pessoas responsáveis pela área de vendas da empresa, foi explicada a importância de se reduzir a Taxa de Evasão de Clientes, conhecido como Churn Rate. Basicamente, o Churn Rate indica o quanto a empresa perdeu de receita ou clientes em um período de tempo.

o projeto foi desenvolvido utilizando Python no jupyter notebook e utilizamos suas bibliotecas voltadas para análise, modelagem e por fim na predição dos dados. Foram utilizadas as seguintes bibliotecas:

• pandas
• numpy
• matplotlib
• seaborn
• Plotly
• Pycaret

O conjunto de dados bruto pode ser encontrado neste Repositório da Alura Voz. O notebook pode ser reproduzido em qualquer IDLE de preferência, mas recomendamos utlizar o google colab para maior facilidade.

Para prosseguirmos vamos separar o projeto em 3 etapas.

1. Preprocessing Pré-processamento dos dados etapa voltada para pre processar os dados, visando corrigir inconsistências e estruturar corretamente para que os dados fiquem tabulados perfeitamente para modelar.

2. Data visualization Visualização de dados a fim de facilitar a análise dados vamos construir gráficos para gerar insights e observar a distribuição das variáveis sobretudo a de interesse (Churn Rate).

3. Predictive modelling Modelagem preditiva em conlusão depois de analisar o conjunto de dados, estamos prontos para decidir qual modelo apropriado para o projeto, ao mesmo tempo a métrica a fim de avaliar o modelo.