Relatório Final – Análise de Evasão de Clientes (TelecomX)
-
Introdução O objetivo deste estudo foi identificar os principais fatores que influenciam a evasão de clientes (churn) na TelecomX e propor estratégias de retenção com base em modelos preditivos. Foram aplicados diferentes algoritmos de machine learning, avaliados por métricas de desempenho e pela relevância das variáveis.
-
Modelos Utilizados Regressão Logística: escolhida por sua interpretabilidade e necessidade de normalização dos dados.
Random Forest: selecionada por sua robustez, não exigindo normalização e oferecendo análise clara da importância das variáveis.
Ambos os modelos foram avaliados em termos de acurácia, precisão, recall, F1-score e matriz de confusão.
- Principais Resultados Random Forest apresentou melhor desempenho em Recall e F1-score, sendo mais eficaz para identificar clientes em risco de evasão.
Regressão Logística teve desempenho razoável, mas mostrou sinais de underfitting, indicando menor capacidade de capturar padrões complexos.
Não foram observados indícios fortes de overfitting nos modelos, sugerindo boa generalização.
- Variáveis mais Relevantes A análise das variáveis revelou os seguintes fatores como mais influentes na evasão:
Tempo de contrato (tenure) → clientes com contratos curtos têm maior probabilidade de churn.
Mensalidade (MonthlyCharges) → valores mais altos estão associados a maior evasão.
Total gasto (TotalCharges) → clientes com baixo gasto acumulado tendem a evadir, refletindo permanência curta.
Forma de pagamento → clientes que utilizam pagamento mensal e cartão de crédito mostraram maior risco.
Tipo de contrato → contratos anuais ou de longo prazo reduzem significativamente a evasão.
- Estratégias de Retenção Com base nos resultados, recomenda-se:
Incentivar contratos de longo prazo: oferecer descontos ou benefícios para clientes que migrem de planos mensais para anuais.
Revisar políticas de preços: clientes com mensalidades altas devem receber ofertas personalizadas para reduzir o risco de evasão.
Programas de fidelidade: aumentar o gasto acumulado por meio de benefícios progressivos, estimulando permanência.
Monitoramento proativo: utilizar o modelo preditivo para identificar clientes em risco e agir antes da evasão.
- Conclusão O estudo demonstrou que Random Forest é o modelo mais adequado para prever a evasão de clientes na TelecomX, equilibrando desempenho e interpretabilidade. As variáveis relacionadas a tempo de contrato, mensalidade e forma de pagamento são determinantes para explicar o churn.
A aplicação prática desses insights permite à TelecomX desenvolver estratégias de retenção mais eficazes, reduzindo a evasão e aumentando a satisfação dos clientes.