├── Parte_I_Churn_artigo.pdf
└── README.md


/Parte_I_Churn_artigo.pdf:
--------------------------------------------------------------------------------
https://raw.githubusercontent.com/scudilio/Churn_model/HEAD/Parte_I_Churn_artigo.pdf


--------------------------------------------------------------------------------
/README.md:
--------------------------------------------------------------------------------
 1 | # Modelo de Machine Learning para Churn
 2 | Tutorial de como implementar um modelo de Churn
 3 | 
 4 | Autor: Juliana Scudilio
 5 | 
 6 | Linguagem: Python
 7 | 
 8 | ## Introdução
 9 | Empresas que utilizam data driven maximizam seus resultados através de informações extraídas dos dados. Ou seja, utilizam os dados para extrair informações e usam as informações para tomar decisões.
10 | 
11 | "Seus clientes mais insatisfeitos são sua maior fonte de aprendizado (Bill Gates)."
12 | 
13 | A taxa de retenção de clientes é um bom indicativo de qualidade do seu produto/serviço. Se o produto/serviço não são de qualidade, você irá observar uma porcentagem alta de clientes deixando de comprar ou trocando de empresa, ou seja, uma alta taxa de Churn.
14 | 
15 | Mas quais são as características que leva um cliente a dar o Churn?
16 | 
17 | O objetivo desse artigo é identificar o perfil dos clientes que cancelaram o contrato de uma agência financeira e também construir um modelo de Machine Learning para identificar os clientes em risco de Churn.
18 | 
19 | 
20 | Para esse projeto de Data Science seguiremos essas etapas
21 | 
22 | * Entendimento do Problema
23 | * Obtenção dos dados
24 | * Análise Exploratória dos dados
25 | * Pré-processamento
26 | * Modelos de Machine Learning
27 | * Avaliação do modelo
28 | 
29 | 
30 | ## Arquivos
31 | 
32 | Parte I: arquivo pdf sobre o problema de Churn em empresas e seus impactos.
33 | 
34 | Parte II: Análise exploratória dos dados para entender os principais fatores que levam o Churn do cliente.
35 | 
36 | Parte II: Construção do modelo de Churn, utilizamos técnicas de aprendizado supervisionado e os algoritmos KNN, Random Forest e XGBoost. No final utilizamos a técnica Ensemble para combinar os melhores modelos e prever os clientes em Churn.
37 | 
38 | 


--------------------------------------------------------------------------------