📡 Telecom X — Churn Radar

Previsão de Evasão de Clientes com Machine Learning

Luiz Fernando Barbosa · Challenge Telecom X — Parte 2

📋 Sobre · ⚙️ Instalação · 🚀 Como Executar · 🧠 O Modelo · 📊 Dashboard · 📁 Estrutura

---

Sobre

"Sabemos quem saiu. Agora vamos descobrir quem vai sair — antes que aconteça."

O Churn Radar é um sistema completo de previsão de evasão de clientes para a Telecom X. A partir de dados históricos, o sistema aprende o padrão dos clientes que cancelaram o serviço e aplica esse conhecimento sobre os 5.398 clientes ativos, classificando cada um em um nível de risco e recomendando ações de retenção personalizadas.

O Problema

A Telecom X apresentava uma taxa de churn de 25,7% — com R$ 139.131/mês em receita em risco. Clientes que cancelavam pagavam em média 21% a mais do que os clientes ativos, e a maior concentração de evasão ocorria nos primeiros 12 meses de relacionamento.

A Solução

Um pipeline de Machine Learning end-to-end com dashboard interativo que:

• 🔍 Identifica os clientes com maior probabilidade de cancelar
• 🎯 Classifica cada cliente em 4 níveis de risco (Crítico / Alto / Médio / Baixo)
• 💰 Quantifica a receita em risco por segmento
• 📋 Sugere ações de retenção específicas para cada nível
• 📸 Exporta o dashboard completo como imagem PNG com um clique

---

Dashboard

Dashboard interativo rodando em http://localhost:8050 — com mapas de risco, histograma de scores, scatter profile, tabela filtrável de clientes e playbook de retenção completo.

---

O Modelo

O sistema utiliza um Ensemble Ponderado de três algoritmos para maximizar a capacidade preditiva:

P(churn) = 0.45 × Random Forest
         + 0.35 × Gradient Boosting
         + 0.20 × Regressão Logística

Algoritmo	Configuração	Peso
Random Forest	300 árvores · max_depth=12 · class_weight=balanced	45%
Gradient Boosting	200 estimadores · lr=0.05 · subsample=0.8	35%
Regressão Logística	L2 regularização · max_iter=1000	20%

Desempenho

Métrica	Valor
ROC-AUC (Ensemble)	0.841
Acurácia	0.763
Recall (churn)	0.804 — captura 80% dos churns futuros
F1-Score	0.772

Resultados na Base Ativa (5.398 clientes)

Tier	Clientes	% da Base	Score Médio	Receita em Risco
🔴 Crítico	580	10,7%	79,7%	R$ 36.358/mês
🟠 Alto	765	14,2%	59,9%	R$ 32.744/mês
🟡 Médio	1.019	18,9%	39,8%	R$ 27.441/mês
🟢 Baixo	3.034	56,2%	11,9%	R$ 22.000/mês

💡 Insight crítico: 100% dos clientes Críticos possuem contrato mensal e tenure médio de apenas 13 meses — a alavanca de retenção é clara e imediata.

---

Instalação

Pré-requisitos

• Python 3.10 ou superior
• pip

1. Clone o repositório

git clone https://github.com/LuizFBarbosa/DesafioTelecomXParte2.git
cd telecom-x-churn-radar

2. Crie e ative o ambiente virtual

# Windows
python -m venv .venv
.venv\Scripts\activate

# Linux / macOS
python -m venv .venv
source .venv/bin/activate

3. Instale as dependências

pip install -r requirements.txt

Ou instale manualmente:

pip install dash dash-bootstrap-components plotly pandas scikit-learn numpy

---

Como Executar

Execução padrão

python pyTelecomXChurnRadar.py dados/telecomXdados.csv

O arquivo dados/telecomXdados.csv deve estar na pasta dados/ na raiz do projeto.

Especificando outro arquivo de dados

python pyTelecomXChurnRadar.py dados/meus_dados.csv

Acessar o dashboard

Após a execução, abra no navegador:

http://localhost:8050

O que acontece ao rodar

════════════════════════════════════════════════════════════════
  🎯 TELECOM X — CHURN RADAR
════════════════════════════════════════════════════════════════

📂 [1/6] Carregando dados...
⚙  [2/6] Preparando features para modelagem...
🤖 [3/6] Treinando modelo ensemble no histórico completo...
🔮 [4/6] Aplicando modelo nos 5.398 clientes ativos...
📊 [5/6] Segmentando clientes por nível de risco...
💾 [6/6] Salvando lista de clientes em risco...

🌐 Dashboard: http://localhost:8050

---

Recursos do Dashboard

📊 Visualizações

Painel	Descrição
KPIs	Base ativa, críticos, alto risco, receita em risco e AUC do modelo
Tier Cards	Score médio, ticket, tenure e receita em risco por nível
Mapa de Risco (Donut)	Distribuição percentual dos 4 tiers
Histograma de Scores	Distribuição da probabilidade P(churn) por tier
Scatter Tenure × Mensalidade	Perfil visual de risco (tamanho = probabilidade)
Score por Faixa de Tenure	Risco médio por tempo de relacionamento
Importância de Variáveis	Top 12 features do Random Forest
Tabela de Clientes	Lista filtrável dos 200 maiores scores com ação recomendada
Playbook de Retenção	Ações específicas por tier com ROI estimado

🎛️ Interatividade

• Filtro por Tier — selecione combinações de tiers e veja receita em risco + ROI em tempo real
• Tabela filtrável e ordenável — busque e ordene clientes por qualquer coluna
• 📸 Capturar Dashboard — botão no header que exporta todo o dashboard como PNG de alta resolução

---

Estrutura do Projeto

telecom-x-churn-radar/
│
├── pyTelecomXChurnRadar.py      # Script principal — pipeline + dashboard
├── requirements.txt            # Dependências do projeto
├── README.md                   # Este arquivo
│
├── dados/                      # Dados de entrada
│   └── telecomXdados.csv       # Dataset principal (não incluído no repo)
│
├── imagens/                    # Imagens do projeto
│   ├── desafioTelecomX.png     # Banner do repositório
│   └── infografico.png         # Screenshot do dashboard
│
└── outputs/                    # Gerados automaticamente
    ├── clientes_em_risco.csv   # Lista completa com scores e tiers
    └── *.png                   # Screenshots exportados pelo botão

---

Pipeline Técnico

Dados Brutos (7.267 clientes)
        │
        ▼
[1] Limpeza e Tipagem
    └── bool→int, Charges.Total numérico, NaN→mediana
        │
        ▼
[2] Feature Engineering
    └── Remoção de 9 colunas irrelevantes/duplicatas
    └── One-hot encoding de variáveis categóricas
        │
        ▼
[3] Balanceamento
    └── Undersampling da classe majoritária (5.398→1.869)
    └── Dataset balanceado: 3.738 registros (50/50)
        │
        ▼
[4] Treinamento (split 70/30 estratificado)
    └── Random Forest  (45%)
    └── Gradient Boosting (35%)
    └── Regressão Logística (20%)
        │
        ▼
[5] Predição nos 5.398 clientes ATIVOS
    └── Score de risco: P(churn) ∈ [0, 1]
    └── Segmentação em 4 tiers
        │
        ▼
[6] Dashboard + Playbook de Retenção

---

Top Variáveis Preditivas

As 5 variáveis mais importantes para prever o churn, segundo o Random Forest:

#	Variável	Importância	Interpretação
1	Contract_ordinal	0.1598	Tipo de contrato — maior protetor estrutural
2	tenure	0.1446	Tempo de relacionamento — novos clientes são voláteis
3	Charges.Total	0.1445	Valor total gasto — maior spend = maior comprometimento
4	Charges.Monthly	0.0891	Mensalidade alta gera sensibilidade a preço
5	Internet_Fiber optic	0.0743	Altas expectativas, fácil frustração

---

Tecnologias Utilizadas

Categoria	Tecnologia	Uso
Linguagem		Core do sistema
ML		RandomForest, GBM, LogReg, métricas
Dashboard		Framework web interativo
Visualização		Gráficos interativos
Data		Manipulação e análise de dados
Numérico		Operações matriciais e predição
UI		Componentes visuais do dashboard
Screenshot	html2canvas	Exportação do dashboard como PNG

---

Estratégia de Retenção

Com base nos resultados do modelo, o playbook recomendado para evitar novos churns:

🔴 Crítico (580 clientes) — Contato pessoal em 48h + oferta de migração para contrato anual com 20-30% de desconto. Meta: reter 40% → preserva R$ 14.5k/mês.

🟠 Alto (765 clientes) — Campanha de ancoragem contratual + bundle de serviços com mês grátis. Meta: reter 35% → preserva R$ 11.5k/mês.

🟡 Médio (1.019 clientes) — Newsletter de valor + programa de indicação + check-in semestral. Meta: manter menos de 15% migrando para o tier Alto.

🟢 Baixo (3.034 clientes) — Programa Ambassador + benefício de aniversário + monitoramento passivo mensal.

💰 ROI total estimado: Se as metas de Crítico e Alto forem atingidas → R$ 26k+/mês preservados · R$ 312k+/ano

---

🔖 Video Explicativo da análise

Autor

Luiz Fernando Barbosa

Challenge Telecom X — Parte 2 · Projeto de Ciência de Dados

---

Telecom X · Churn Radar · 5.398 clientes analisados · Ensemble RF+GBM+LR · AUC=0.841