Previsão de Churn para Clientes Bancários

Veja a análise completa desse projeto em Análise e Previsão de Churn.

Objetivo do Projeto:

O objetivo do projeto é desenvolver um sistema de previsão de churn para clientes de um banco, aplicando técnicas de machine learning e análise preditiva.

Sobre o Dataset:

O dataset utilizado neste projeto foi o Churn for Bank Customers, que esta disponível na plataforma Kaggle.com.

Dicionário dos dados:

	Colunas	Descrição
1	RowNumber	Corresponde ao número do registo.
2	CustomerId	Código do Cliente do banco.
3	Surname	Sobrenome de um cliente.
4	CreditScore	Pontuação de Crédito.
5	Geography	Localização dos clientes.
6	Gender	Gênero dos clientes.
7	Age	Idade dos Clientes.
8	Tenure	Refere-se ao número de anos em que o cliente é cliente do banco.
9	Balance	Saldo bancário dos clientes.
10	NumOfProducts	Quantidade de produtos contratadas pelos clientes.
11	HasCrCard	Indica se um cliente tem ou não um cartão de crédito.
12	IsActiveMember	Os clientes são ativos ou não.
13	EstimatedSalary	Estimativa de salário dos clientes.
14	Exited	Objetivo. 1 se o cliente saiu ou 0 se não o fez.

Arquivos do Projeto:

• jupyter Notebook (Análises e Criação do Modelo Preditivo)
• Código Fonte da Aplicação
• Modelo de ML Criado
• Bases de Dados
• Imagens
• License

Contextualização:

Diante da crescente competitividade no setor bancário, a retenção de clientes emerge como uma prioridade estratégica essencial para assegurar a sustentabilidade e expansão das instituições. O fenômeno conhecido como "churn", caracterizado pela perda de clientes para concorrentes ou pelo encerramento voluntário da relação bancária, apresenta-se como um desafio significativo e preocupante. Como medida para solucionar essa questão, as instituições estão recorrendo às suas equipes de dados para desenvolver projetos que permitam a previsão do churn.

Nesse contexto, uma instituição específica procurou a sua equipe de dados para analisar e criar uma solução que capacitasse a equipe de negócios a antecipar a saída dos clientes, visando reduzir a taxa de churn e aumentar a taxa de retenção.

Proposta de Solução:

A equipe de dados propôs uma solução que consiste no desenvolvimento de um modelo de classificação integrado a um dashboard de monitoramento. Essa abordagem conferirá à empresa a habilidade de analisar e antecipar a possível perda de clientes, capacitando-a a implementar ações proativas para manter esses clientes vinculados à instituição.

Aplicação Web:

Clique na Imagem Abaixo para Abrir a Análise de Churn.

Desenvolvimento do Projeto:

Workflow:

Checklist:

• Exploração e Análise dos Dados.
• Balanceamento e Pré-processamento de Dados.
• Modelagem Preditiva.
• Validação do Modelo.
• Implementação em Produção.

Ferramentas Utilizadas:

Na implementação deste projeto usamos as ferramentas relacionadas abaixo:

• Python 3.11.5
  • Pandas
  • Numpy
  • Matplotlib
  • Seaborn
  • Plotly
  • Pickle
  • Scikit learn
  • Scipy
  • Streamlit
  • Warnings
• Jupyter Notebook
• Visual Studio Code

Implementação do Modelo na Aplicação:

O deploy da aplicação foi realizado na Streamlit Community Cloud, que é uma plataforma aberta e gratuita para a comunidade implementar, descobrir e partilhar aplicações e código Streamlit entre si.

O aplicativo desenvolvido constitui uma solução web criada para facilitar a identificação de clientes propensos a churn, utilizando técnicas de machine learning. Visando proporcionar uma análise ágil e precisa, busca automatizar esse processo, agilizando a tomada de decisões para intervenções mais rápidas junto aos clientes em risco de deixar a empresa.

Benefícios da Aplicação:

• Eficiência: Implementação de análise automatizada.
• Precisão: Tomada de decisões embasada em dados por meio de análise preditiva, utilizando filtros aplicados.
• Acessibilidade: Disponibilidade contínua da aplicação a qualquer momento e em qualquer local com acesso à internet.

Conclusão

Em conclusão, o projeto de "Análise de Churn" revelou-se um sucesso ao empregar o algoritmo Random Forest, o qual demonstrou uma notável precisão de 94%. Diante de uma taxa de churn inicial de 20%, a aplicação eficaz desse modelo oferece insights valiosos e a capacidade de identificar padrões complexos nos dados. O projeto proporcionou uma ferramenta confiável para antecipar e mitigar a perda de clientes. A alta precisão alcançada valida a escolha do algoritmo, destacando a sua eficácia na identificação de potenciais casos de churn. Este êxito não apenas fortalece a compreensão da dinâmica dos clientes, mas também oferece uma base sólida para estratégias proativas de retenção, contribuindo assim para a sustentabilidade e crescimento do negócio.