{"id":30214955,"url":"https://github.com/codeonthespectrum/telecom_ml","last_synced_at":"2025-08-14T01:38:45.352Z","repository":{"id":306779652,"uuid":"1027193992","full_name":"codeonthespectrum/telecom_ml","owner":"codeonthespectrum","description":"Terceiro desafio da Oracle ONE 8 + Alura","archived":false,"fork":false,"pushed_at":"2025-07-27T14:26:09.000Z","size":1112,"stargazers_count":0,"open_issues_count":0,"forks_count":0,"subscribers_count":0,"default_branch":"main","last_synced_at":"2025-07-27T16:27:45.466Z","etag":null,"topics":[],"latest_commit_sha":null,"homepage":null,"language":"Jupyter Notebook","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/codeonthespectrum.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null,"governance":null,"roadmap":null,"authors":null,"dei":null,"publiccode":null,"codemeta":null,"zenodo":null}},"created_at":"2025-07-27T14:11:30.000Z","updated_at":"2025-07-27T14:26:13.000Z","dependencies_parsed_at":"2025-07-27T16:27:48.048Z","dependency_job_id":"b8fa881f-2cd6-4be6-8653-8ae68adacead","html_url":"https://github.com/codeonthespectrum/telecom_ml","commit_stats":null,"previous_names":["codeonthespectrum/telecom_ml"],"tags_count":null,"template":false,"template_full_name":null,"purl":"pkg:github/codeonthespectrum/telecom_ml","repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/codeonthespectrum%2Ftelecom_ml","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/codeonthespectrum%2Ftelecom_ml/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/codeonthespectrum%2Ftelecom_ml/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/codeonthespectrum%2Ftelecom_ml/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/codeonthespectrum","download_url":"https://codeload.github.com/codeonthespectrum/telecom_ml/tar.gz/refs/heads/main","sbom_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/codeonthespectrum%2Ftelecom_ml/sbom","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":270347583,"owners_count":24568582,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","status":"online","status_checked_at":"2025-08-13T02:00:09.904Z","response_time":66,"last_error":null,"robots_txt_status":"success","robots_txt_updated_at":"2025-07-24T06:49:26.215Z","robots_txt_url":"https://github.com/robots.txt","online":true,"can_crawl_api":true,"host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":[],"created_at":"2025-08-14T01:38:42.329Z","updated_at":"2025-08-14T01:38:45.342Z","avatar_url":"https://github.com/codeonthespectrum.png","language":"Jupyter Notebook","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Telecom X - Utilizando Machine Learning - Alura Challenge\n\n📡 **Análise Preditiva de Churn em Telecom - Challenge Data Science**\n\nEste projeto realiza uma análise detalhada e constrói modelos de machine learning a partir dos dados da empresa Telecom X. O objetivo é identificar os principais fatores que levam ao cancelamento de serviços (churn) e criar um modelo preditivo para identificar clientes com risco de evasão, gerando insights para estratégias de retenção.\n\n📌 **Objetivos**\n\n  * Analisar o perfil demográfico e contratual dos clientes para entender o churn.\n  * Identificar as variáveis mais importantes na previsão de cancelamento.\n  * Tratar o desbalanceamento de classes na variável-alvo (`churn`) utilizando a técnica SMOTE.\n  * Treinar e avaliar o desempenho de modelos de classificação (Random Forest e Regressão Logística).\n  * Propor recomendações estratégicas e baseadas em dados para reduzir a taxa de churn.\n\n🧪 **Tecnologias Utilizadas**\n\n  * Python\n  * Pandas e NumPy para manipulação e análise de dados\n  * Matplotlib e Seaborn para visualizações de dados\n  * Scikit-learn para pré-processamento, modelagem e avaliação\n  * Imbalanced-learn para balanceamento de classes (SMOTE)\n  * Requests para extração de dados\n  * Jupyter Notebook como ambiente de desenvolvimento\n  * Markdown para documentação e relatórios\n\n📈 **Resultados Principais**\n\n  * **Contrato Mês a Mês e Baixo Tenure:** Confirmados pela análise de importância das features como os principais indicadores de churn.\n  * **Cheque Eletrônico e Valor Mensal Elevado:** Também se mostraram fatores de grande influência na decisão de cancelamento.\n  * **Desempenho do Modelo Preditivo:** O modelo de **Regressão Logística** apresentou a melhor performance para o objetivo de negócio, alcançando um **recall de 78%** na identificação de clientes que cancelaram, superando o Random Forest neste critério crucial.\n\n🔎 **Para detalhes completos, consulte o [Relatório de Análise de Evasão]**\n\n📤 **Conclusão**\n\nA análise e a modelagem preditiva identificaram um perfil claro do cliente com alto risco de churn: cliente novo, com contrato mensal, valor de conta elevado e que utiliza cheque eletrônico como forma de pagamento. A recomendação principal é focar os esforços de retenção nestes clientes, utilizando o modelo preditivo para identificá-los proativamente e oferecer incentivos para a migração para contratos de longo prazo.\n\n📬 **Contato**\n\nPara dúvidas ou sugestões, entre em contato:\n\n  * **Nome:** [Gabrielly Gomes]\n  * **Email:** [gabrielly.gomes@ufpi.edu.br]\n\n📌 *Projeto desenvolvido com fins analíticos e educacionais.*\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fcodeonthespectrum%2Ftelecom_ml","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fcodeonthespectrum%2Ftelecom_ml","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fcodeonthespectrum%2Ftelecom_ml/lists"}