Begin exploring the Telco Churn Dataset using pandas to compute summary statistics and Seaborn to create attractive visualizations.

Bienvenido al curso

Definir el churn de clientes

Explorar la pérdida de clientes

Agrupar y resumir datos

Estadísticas resumidas para ambas clases

Abandono por estado

Explora tus datos con visualizaciones

Explorando distribuciones de variables

Llamadas a atención al cliente y churn

Exploratory Data Analysis

Having explored your data, it's now time to preprocess it and get it ready for machine learning. Learn the why, what, and how of preprocessing, including feature selection and feature engineering.

Data preprocessing

Identifying features to convert

Encoding binary features

One hot encoding

Feature scaling

Feature selection and engineering

Dropping unnecessary features

Engineering a new column

Preprocessing for Churn Modeling

With your data preprocessed and ready for machine learning, it's time to predict churn! Learn how to build supervised learning machine models in Python using scikit-learn.

Making Predictions

Predicting whether a new customer will churn

Training another scikit-learn model

Evaluating Model Performance

Creating training and test sets

Check each sets length

Computing accuracy

Model Metrics

Confusion matrix

Varying training set size

Computing precision and recall

Other model metrics

ROC curve

Area under the curve

Precision-recall curve

F1 score

Churn Prediction

Learn how to improve the performance of your models using hyperparameter tuning and gain a better understanding of the drivers of customer churn that you can take back to the business.

Tuning your model

Tuning the number of features

Tuning other hyperparameters

Randomized search

Feature importances

Visualizing feature importances

Improving the plot

Interpreting feature importances

Adding new features

Does model performance improve?

Computing other metrics

Final thoughts

Model Tuning

Telco Churn Dataset

El churn ocurre cuando un cliente deja de hacer negocios o finaliza su relación con una empresa. Es un problema común en muchos sectores, desde las telecomunicaciones hasta la TV por cable y el SaaS. Una empresa que puede predecir el churn puede actuar de forma proactiva para retener a clientes valiosos y adelantarse a la competencia. Este curso te dará una hoja de ruta para crear tus propios modelos de churn de clientes. Aprenderás a explorar y visualizar tus datos, prepararlos para el modelado, hacer predicciones con Machine Learning y comunicar conclusiones clave y accionables a las partes interesadas. Al finalizar, te sentirás cómodo usando la librería pandas para análisis de datos y scikit-learn para Machine Learning.

Data Manipulation with pandas

Aprende a usar Python para analizar la rotación de clientes y crear un modelo para predecirla.

Marketing Analytics: Predicción de churn de clientes en Python

Aprende a utilizar Python para analizar la pérdida de clientes y crear un modelo para predecirla.

Análisis de marketing en Python

Definir el churn de clientes

Marketing Analytics: Predicción de churn de clientes en Python

ejercicio interactivo práctico