📡 Telecom Churn Prediction: Estratégia de Retenção e Inteligência de Dados

💼 Visão de Negócio

No setor de telecomunicações, o custo de aquisição de um novo cliente (CAC) é significativamente maior do que o custo de retenção. O objetivo central deste projeto não é apenas prever se um cliente vai cancelar o contrato (Churn), mas sim otimizar o retorno financeiro das ações de retenção.

A solução desenvolvida utiliza Inteligência Artificial para identificar clientes em risco e, mais importante, define uma estratégia financeira para aplicar incentivos (descontos) apenas onde o retorno sobre o investimento (ROI) é positivo.

⚙️ Metodologia e Workflow

O projeto segue um fluxo rigoroso de Ciência de Dados, focado em reprodutibilidade, explicabilidade e impacto financeiro:

1. Modelagem e Validação Robusta

• Esteira de Modelos: Foi implementada uma bateria de testes com diversos algoritmos para estabelecer uma baseline sólida e identificar o modelo com melhor capacidade de generalização.
• Validação Cruzada (Cross-Validation): Para garantir a robustez estatística e evitar overfitting, todos os modelos foram submetidos a validação cruzada estratificada, assegurando performance consistente em diferentes cenários de dados.

2. Otimização Bayesiana com Optuna

Ao invés de métodos tradicionais de busca, utilizou-se o Optuna para a otimização de hiperparâmetros. Essa abordagem utiliza algoritmos bayesianos para explorar o espaço de parâmetros de forma eficiente, maximizando métricas críticas para o problema, como o Recall.

3. Explicabilidade do Modelo (SHAP)

Para garantir que o modelo não seja uma "caixa preta", foi utilizada a biblioteca SHAP (SHapley Additive exPlanations). Isso permite entender exatamente quais variáveis (como tipo de contrato, método de pagamento ou tempo de casa) estão impulsionando a decisão do modelo para cada cliente específico, fornecendo insights valiosos para a equipe de marketing e CRM.

💰 Estratégia de Threshold (Limiar de Decisão)

Um dos grandes diferenciais deste projeto é a análise personalizada do Threshold de Classificação.

Modelos de classificação padrão assumem um limiar de 0.5 para decidir entre "Churn" e "Não Churn". No entanto, em um contexto de negócios, o custo de perder um cliente é diferente do custo de oferecer um desconto desnecessário.

Foi desenvolvida uma análise financeira que simula diferentes limiares de decisão. Ao "trocar o threshold", deslocamos a sensibilidade do modelo para encontrar o ponto ótimo onde o Lucro Líquido (Receita Salva - Custo dos Descontos) é maximizado. Essa técnica transforma uma métrica técnica abstrata em resultado financeiro tangível.

📊 Resultados Alcançados

A aplicação da estratégia de Threshold Moving permitiu calibrar o modelo para operar no seu ponto de eficiência máxima financeira:

• Threshold Otimizado: 0.41 (Ajustado para priorizar a captura de clientes em risco).
• Recall (Sensibilidade): ~84% (Alta capacidade de detecção de Churn).
• Impacto Financeiro: A simulação demonstrou que, com esse ajuste, a estratégia de retenção cobre seus próprios custos operacionais e gera um Retorno Líquido Positivo, validando a viabilidade econômica do projeto.

🚀 Tecnologias Utilizadas

• Linguagem: Python
• Manipulação de Dados: Pandas, Numpy
• Visualização: Matplotlib, Seaborn
• Machine Learning: Scikit-learn
• Otimização: Optuna
• Interpretabilidade: SHAP

🔧 Como Executar

1. Clone este repositório:

   git clone https://github.com/enzoribeirodev/TELECOM_Churn_Prediction