Cancelamentos de Clientes

(Churn Analysis) 

Resumo e entrega final: projeto de Data Science e Analytics voltado para análise de Churn (cancelamento de clientes), com foco em identificar drivers operacionais e contratuais associados ao cancelamento e gerar insights acionáveis para Retenção, Customer Success, CRM e Estratégia Comercial. A análise parte de uma taxa inicial de churn de 56% e aplica uma simulação de mitigação dos principais drivers, estimando redução potencial para 18%, caso ações corretivas fossem implementadas..

1. Visão Geral do Projeto 🧠

Este projeto investiga um dos problemas mais críticos em negócios recorrentes: o cancelamento de clientes (churn). A proposta é identificar padrões relevantes e estatisticamente sustentáveis associados ao cancelamento, transformando dados brutos em recomendações práticas para áreas de negócio.

A abordagem combina análise exploratória, estatística aplicada e comunicação executiva de insights, priorizando clareza, objetividade e aplicabilidade.

2. Situação-Problema de Negócio 🏢

Empresas com grandes bases de clientes enfrentam desafios significativos relacionados à retenção, especialmente quando não possuem clareza sobre os fatores que levam ao cancelamento.

A ausência de uma análise estruturada pode resultar em:

• perda recorrente de receita

• aumento do Custo de Aquisição de Clientes (CAC)

• dificuldade em antecipar cancelamentos

• decisões estratégicas baseadas em intuição, e não em dados

No dataset analisado, a taxa inicial de churn foi de 56%, indicando uma base com alto risco de cancelamento e necessidade de intervenções estratégicas e operacionais. Nesse contexto, compreender quem cancela, quando cancela e por que cancela torna-se fundamental para a sustentabilidade do negócio.

3. Objetivo do Projeto 🎯

• Identificar os principais drivers associados ao churn

• Avaliar a força de associação entre variáveis e cancelamento

• Validar padrões com testes estatísticos adequados ao tipo de dado

• Simular o impacto potencial de ações de mitigação nos drivers principais

• Gerar recomendações acionáveis para retenção e melhoria operacional

Desta forma, este projeto utiliza testes estatísticos e medidas de associação para priorizar os principais drivers de churn, servindo como base analítica para ações operacionais e para uma eventual modelagem preditiva em uma etapa futura. 

4. Conjunto de Dados e Contexto Analítico 🗂️

O conjunto de dados contém informações cadastrais, contratuais e operacionais de clientes, incluindo uma variável indicativa de cancelamento do serviço (churn).

A base apresenta:

• 50.000 registros

• clientes ativos e clientes cancelados

• variáveis categóricas e numéricas relevantes para o problema de negócio, exigindo diferentes abordagens analíticas:

• correlação de Pearson (numéricas)

• testes de independência (Qui-Quadrado)

• força de associação (Cramér’s V)

Esse contexto reflete cenários reais enfrentados por áreas de Customer Analytics, CRM e Customer Success.

5. Limpeza e Tratamento de Dados (Data Cleaning/ETL) 🧹

ETL (Extract, Transform, Load) é o processo de extração dos dados brutos, transformação e limpeza para torná-los consistentes e analisáveis, e carregamento dos dados prontos para análise. Em projetos de Data Analytics, o ETL é fundamental para garantir qualidade, confiabilidade e reprodutibilidade das análises.

Principais atividades realizadas nesta etapa:

• verificação e tratamento de valores ausentes

• padronização de tipos de dados

• verificação de duplicatas por identificador de cliente

Essa etapa reduziu vieses analíticos e assegurou consistência para as análises subsequentes.

6. Análise Exploratória dos Dados (EDA) 🔎

A etapa de EDA (Exploratory Data Analysis) teve como objetivo compreender a estrutura dos dados e identificar padrões iniciais relacionados ao churn.

A abordagem foi estruturada em três frentes principais:

• estatística descritiva e perfil da base

• correlação entre variáveis numéricas e churn

• associação entre variáveis categóricas e churn

Além disso, foram utilizados gráficos para apoiar interpretação, comunicação executiva e priorização de fatores.

7. Análise da Variável de Cancelamento (Churn) 📉

A taxa observada de churn no dataset foi de 56%, caracterizando um cenário de alta criticidade.

Esse valor foi utilizado como baseline para:

• comparação de padrões

• avaliação de drivers

• simulação de impacto das ações de mitigação

8. Análise dos Principais Drivers de Churn 🔍

A análise indicou que o churn não ocorre de forma aleatória. Os principais drivers associados ao cancelamento foram:

• contratos do tipo Monthly

• alto volume de ligações ao call center

• atrasos no pagamento acima de 20 dias

Esses fatores foram priorizados por apresentarem associação consistente com churn e, principalmente, por serem drivers com alta aplicabilidade operacional.

9. Visualização de Dados e Exploração Analítica 📊

Foram aplicadas visualizações com foco em interpretação e comunicação orientada ao negócio, incluindo:

• distribuição de churn

• comparações por categoria

• correlações numéricas

• evolução do churn em cenários simulados

Os gráficos foram utilizados não apenas para visualização, mas como suporte direto à priorização dos drivers e à construção das recomendações finais.

10. Principais Padrões Identificados 📈

A correlação mostrou que o churn apresenta maior associação com:

• número de ligações ao call center

• número de dias de atraso no pagamento da fatura

• duração do contrato

Em contrapartida, o total gasto com o serviço apresentou correlação negativa moderada, sugerindo que clientes de maior valor tendem a cancelar menos.

Embora correlação não implique causalidade, os resultados são consistentes com um cenário em que atrito operacional e inadimplência contribuem para o cancelamento.

11. Insights Estratégicos para o Negócio 💡

Os resultados apontam que os principais drivers do churn estão concentrados em três frentes:

• política comercial (contratos Monthly)

• atrito operacional (call center)

• inadimplência (atrasos no pagamento)

Isso permite priorizar ações com alto potencial de impacto, direcionando esforços para áreas que efetivamente influenciam a retenção.

12. Impacto para o Negócio 🎯

Este projeto demonstra como análises estatísticas simples, quando bem estruturadas, podem gerar alto impacto para decisões executivas.

A simulação de mitigação dos drivers sugere que, caso a empresa consiga reduzir os principais fatores operacionais e contratuais, a taxa de churn poderia cair de 56% para 18% em um cenário de intervenção.

Esse resultado evidencia o potencial estratégico do uso de dados para orientar ações de retenção, reduzir perdas e aumentar a previsibilidade da receita.

13. Ferramentas e Tecnologias Utilizadas 🛠️

Tabela-Resumo de Pacotes, Subpacotes e suas Funções

Projeto desenvolvido no Visual Studio Code com Python e Jupyter Notebooks.

├── 🔢 Operações Numéricas e Estruturas Matemáticas

│   └── numpy

│       └── Operações numéricas, vetorização de cálculos, manipulação de arrays

│

├── 🧹 ETL e EDA

│   ├── pandas

│   │   └── Leitura e escrita de dados, limpeza, transformação de DataFrames, estatísticas descritivas

│   │

│   └── sidetable

│       └── Tabelas rápidas de frequência, proporções e sumarizações para EDA

│

├── 📊 Visualização de Dados e Exploração Analítica

│   ├── plotly

│   │   └── plotly.express

│   │       └── Visualizações interativas

│   │

│   ├── seaborn

│   │   └── Visualizações estatísticas

│   │

│   └── matplotlib

│       └── matplotlib.pyplot

│           └── Visualizações customizadas

│

└── 🧪 Estatística Inferencial

    └── scipy

        └── scipy.stats

            └── chi2_contingency

                └── Teste Qui-Quadrado

14. Repositório GitHub 📌

https://github.com/brun0camera/Churn-Analysis