É Glorificar em Pé: Projeto de Churn

Fala meus guerreiros. Afivelem os cintos porque vamos decolar, o assunto de hoje em modéstia parte, é muitooooooooo bom. Tem um pouco de área de negócio combinando com tecnologias bem famosas no mercado como Python, PowerBI, Qlik Sense e Machine Learning. Um dos maiores problemas enfrentados por empresas, em especial, operadoras de telefonia, é o churning, ou seja, rotatividade de clientes. Os clientes podem deixar a operadora depois de anos de contrato, caso estejam insatisfeitos com algum item como, por exemplo, preço do valor do contrato, opções de pagamento do contrato, qualidade no atendimento do call-center, quantidade de serviços incluso no pacote entre outros. Acredito que você já pensou ou deixou sua operadora, certo? Eu mesmo já passei por isso. E não é interessante de forma alguma para a empresa perder seus clientes. Fidelidade de 100% dos clientes é praticamente impossível, porém é altamente recomendável a redução do churning. Quanto mais baixo, melhor será para a operadora. Esse projeto trabalha com duas abordagens, vejam:

1. Explorando o Passado com Business Inteligence

O projeto contempla uma base de dados pública do kaggle, tendo 4250 amostras representando contratos de clientes. Informações sobre estado, tempo de acordo com a operadora em meses, se o contrato possui suporte ao plano internacional ou não, total de ligações diárias, preço das ligações noturnas entre outras estão presentes. Foi construído um dashboard que avalia os dados até o momento, respondendo por por meio de indicadores e gráficos:

1. Qual a quantidade de contratos ativos (não cancelados) e cancelados?

2. Qual o quantitativo de contratos ativos e cancelados segmentado por Estado, de modo a descobrir o estado que mais possui rotatividade?

3. Qual é o número de contratos ativos e cancelados agrupados por código de área?

4. Quantos estados são contemplados?

5. Em questão de total das chamadas diurnas, qual a média por situação de contrato? E por Estado?

6. Qual a média dos minutos por dia dos clientes que cancelaram o contrato e daqueles que estão ativos?

Ainda é possível responder outras perguntas, utilizando os filtros disponíveis em cada página.

O dashboard foi feito com a tecnologia Microsoft Power BI.

Clique na imagem para acessar:

2. Prevendo o Futuro com Machine Learning (Data Science)

Vamos agora prever se um cliente que acabou de chegar na operadora ao efetuar o cadastro inicial, tenderá a deixar a operadora ou não. E além encontrar quais são os principais fatores que influenciam o cliente a deixar a operadora.

O projeto foi feito com Python usando o Qlik Sense na análise exploratória dos dados.

Clique na imagem para acessar:

3. E no Final das Contas

Não existe abordagem melhor que a outra, são apenas diferentes e se complementam. Em geral para a análise preditiva (prever eventos do futuros), precisamos compreender o passado. Quando utilizamos BI, estamos respondendo as seguintes perguntas: o que aconteceu, por que aconteceu. Já quando utilizamos a abordagem Data Science responderemos: isso irá acontecer, o que eu poderia fazer. Cada abordagem requer métodos, técnicas, tecnologias diferentes. Está aí um excelente projeto de ponta-a-ponta de Ciência de Dados, envolvendo tanto a BI como o Data Science, combinando diversas tecnologias, afinal podemos extrair o melhor de cada uma. Quem disse que não podemos, por exemplo, combinar o Python com o Qlik Sense ou PowerBI? Ninguém. Abraços e até a próxima.