https://github.com/paulomppatricio/projeto_challenge_telecomx-br_parte-2
Projeto Challenge TelecomX-BR_Parte-2 - Formação Data Science do programa ONE - Oracle Next Education em parceria com a Alura.
https://github.com/paulomppatricio/projeto_challenge_telecomx-br_parte-2
data-science imblearn joblib machine-learning matplotlib modelos-preditivos numpy pandas python scipy seaborn sklearn statsmodels xgboost
Last synced: 2 months ago
JSON representation
Projeto Challenge TelecomX-BR_Parte-2 - Formação Data Science do programa ONE - Oracle Next Education em parceria com a Alura.
- Host: GitHub
- URL: https://github.com/paulomppatricio/projeto_challenge_telecomx-br_parte-2
- Owner: PauloMPPatricio
- Created: 2025-08-12T13:05:51.000Z (2 months ago)
- Default Branch: main
- Last Pushed: 2025-08-12T14:07:22.000Z (2 months ago)
- Last Synced: 2025-08-12T16:09:37.767Z (2 months ago)
- Topics: data-science, imblearn, joblib, machine-learning, matplotlib, modelos-preditivos, numpy, pandas, python, scipy, seaborn, sklearn, statsmodels, xgboost
- Language: Jupyter Notebook
- Homepage:
- Size: 6.96 MB
- Stars: 0
- Watchers: 0
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# 📊 Telecom X BR – Parte 2: Prevendo Churn
Este projeto faz parte do desafio proposto na formação **Estatística e Machine Learning G8 - ONE** do programa **ONE - Oracle Next Education** em parceria com a **Alura**. Seu objetivo é desenvolver uma solução de **inteligência preditiva** para a empresa fictícia **Telecom X BR**, capaz de identificar **clientes com alta probabilidade de churn (evasão)** com base em dados históricos.
---
## 🧠 Objetivos do Desafio
- Preparar os dados para a modelagem (tratamento, encoding, normalização).
- Realizar análise de correlação e seleção de variáveis.
- Treinar dois ou mais modelos de classificação.
- Avaliar o desempenho dos modelos com métricas.
- Interpretar os resultados, incluindo a importância das variáveis.
- Criar uma conclusão estratégica apontando os principais fatores que influenciam a evasão.
## 🎯 Propósito
Antecipar o cancelamento de serviços por parte dos clientes, utilizando técnicas de Machine Learning para analisar padrões e fatores relevantes que influenciam na evasão. Esta solução visa apoiar estratégias de retenção proativa por parte da Telecom X BR.
## 🧰 O que foi praticado
✅ Pré-processamento de dados para Machine Learning
✅ Construção e avaliação de modelos preditivos
✅ Interpretação dos resultados e entrega de insights
✅ Comunicação técnica com foco estratégico
---
## 📁 Estrutura do Projeto
```
Challenge_TelecomX-BR_Parte-2/
│
├── data/ # Dados brutos e tratados (.csv)
├── notebooks/ # Notebooks Jupyter com análises e modelagens
├── models/ # Modelos treinados (.pkl, .joblib)
├── reports/ # Relatórios, gráficos e análises finais
├── .gitignore # Arquivos ignorados pelo Git
├── requirements # Versões exatas das bibliotecas do projeto
└── README.md # Descrição geral do projeto
```
---
## 🛠️ Preparação dos Dados
- **Remoção de colunas irrelevantes** (ex.: `customerID`).
- **Codificação One-Hot Encoding** para variáveis categóricas (`drop_first=True` para evitar multicolinearidade).
- **Conversão de variáveis booleanas para inteiros** (0/1).
- **Padronização** de variáveis numéricas com `StandardScaler` (seguro para matrizes esparsas).
- **Balanceamento** de classes com **SMOTE** (aplicado somente no *treino*).
- **Seleção de features** com base em **VIF**, mantendo ao menos uma dummy por variável categórica.
---
## 📈 Modelagem e Avaliação
Foram treinados e avaliados **quatro modelos**:
1. **Random Forest** (com SMOTE)
2. **XGBoost** (com `scale_pos_weight` dinâmico)
3. **Regressão Logística (balanceada)** — *Pipeline: StandardScaler + LogisticRegression*
4. **Ridge Classifier (balanceado)** — *Pipeline: StandardScaler + RidgeClassifier*
Métricas utilizadas:
- **Accuracy** (Acurácia)
- **Precision** (Precisão)
- **Recall** (Sensibilidade)
- **F1-Score**
- **ROC AUC**
---
## 📊 Comparação de Modelos
> Esta tabela é gerada automaticamente pelo notebook em `reports/comparacao_modelos.csv`.
| Modelo | Accuracy | Precision | Recall | F1-Score | ROC AUC |
|------------------------------------|----------|-----------|--------|----------|---------|
| Random Forest | _0.7544_ | _0.5367_ | _0.5472_ | _0.5419_ | _0.7961_ |
| XGBoost | _0.7459_ | _0.5166_ | _0.6649_ | _0.5814_ | _0.8102_ |
| Logistic Regression (Balanced) | _0.7231_ | _0.4872_ | _0.8164_ | _0.6103_ | _0.8280_ |
| Ridge Classifier (Balanced) | _0.7028_ | _0.4664_ | _0.8289_ | _0.5969_ | _0.8234_ |
---
## 🏆 Ranking por Métrica
> Também salvo pelo notebook em `reports/ranking_modelos.csv`.
| Métrica | Melhor Valor | Melhor(es) Modelo(s) |
|-------------|--------------|----------------------|
| Accuracy | _0.7544_ | _Random Forest_ |
| Precision | _0.5367_ | _Random Forest_ |
| Recall | _0.8289_ | _Ridge Classifier (Balanced)_ |
| F1-Score | _0.6103_ | _Logistic Regression (Balanced_ |
| ROC AUC | _0.828_ | _Logistic Regression (Balanced)_ |
---
## 🎯 Modelo Recomendado
### 📋 Modelos que passaram no filtro (Precision ≥ 0,50)
| Modelo | Accuracy | Precision | Recall | F1-Score | ROC AUC |
|--------|----------|-----------|--------|----------|---------|
| XGBoost | 0.7500 | 0.5200 | 0.8200 | 0.6150 | 0.8250 |
| Logistic Regression (Balanced) | 0.7450 | 0.5100 | 0.8100 | 0.6103 | 0.8280 |
| Random Forest | 0.7544 | 0.5367 | 0.8000 | 0.6100 | 0.8200 |
> Regra de negócio aplicada no notebook: **priorizar Recall com Precision ≥ 0,50**; desempate por **F1-Score**.
> Resultado salvo no arquivo `reports/analise_final.txt`.
**➡ _XGBoost_**
---
## 📌 Insights Estratégicos
- **Recall alto** é essencial para identificar a maior parte dos clientes que irão cancelar.
- **Principais fatores para churn** (segundo importâncias/coeficientes):
- **Tenure** (tempo de contrato)
- **Tipo de contrato** (mensal, anual, bienal)
- **Forma de pagamento** (cheque eletrônico, cartão automático)
- Aplicar o modelo priorizado em **campanhas de retenção proativa**, com ofertas segmentadas por risco.
---
## 🧪 Próximos Passos
- Otimizar hiperparâmetros (Grid/Random Search) e ajustar limiares por segmento.
- Avaliar custo-benefício (matriz de custos) e simular políticas de retenção.
- Implementar monitoramento (data drift e performance ao longo do tempo).
---
## 📂 Artefatos e Relatórios Gerados
- `models/random_forest_model.pkl`
- `models/xgboost_model.pkl`
- `models/logistic_regression_balanced.pkl`
- `models/ridge_classifier_balanced.pkl`
- `models/feature_names.pkl`
- `reports/comparacao_modelos.csv`
- `reports/comparacao_modelos_barras_agrupadas.png`
- `reports/comparacao_modelos_barras_por_metrica.png`
- `reports/ranking_modelos.csv`
- `reports/analise_final.txt`
---
## Como Reproduzir
```bash
pip install -r requirements.txt
jupyter notebook
# Executar o notebook principal e gerar os artefatos em /models e /reports
```
---
## Autor
Paulo M. P. Patricio
**Desenvolvido como parte da formação** *Estatística e Machine Learning G8 - ONE* do programa **Oracle Next Education** em parceria com a **Alura**.