PROJETO PYTHON INSIGHTS - ANÁLISE EXPLORATÓRIA

BASE DE CANCELAMENTOS E INADIMPLENTES/ 800 MIL CLIENTES

Introdução

Neste projeto, Python Insights, eu quis trazer um modelo real de empresas de streaming de música, plataforma de educação e cursos, telecomunicações, que se valem de serviço de assinatura para entender os principais motivos como comportamento de churn e também de inadimplência para entender o que levam clientes a cancelarem serviços em empresas de modelo de assinatura, como:

• Streaming de música e vídeo (Spotify, Netflix)

• SaaS e plataformas de cursos

• Operadoras de telecomunicação

• Clubes de assinatura

• Fintechs e apps com cobrança recorrente

  Não é ficção. É exatamente o que está acontecendo com empresas que ignoram os sinais de alerta escondidos em seus próprios dados!📊

Neste projeto, mostro um cenário real de como realizar uma análise exploratória de dados (EDA) com Python para descobrir na prática sobre o comportamento de clientes em contratos mensais, padrões de cancelamento, canais de atendimento, formas de pagamento, padrões de inadimplência e outros fatores relacionados ao projeto usando uma base fictícia de ~800 mil clientes.

🎯 Objetivos do Projeto

• Identificar padrões e comportamentos relacionados ao churn
• Explorar visualmente os dados para gerar hipóteses estratégicas
• Fornecer sugestões práticas para retenção de clientes
• Demonstrar o uso de Python para tomada de decisões orientadas a dados

---

🧠 Passo a Passo

#passo a passo em português #Passo 1: Importar a base de dados #Passo 2: Visualizar a base de dados (2 objetivos -> entender as informações + encontrar problemas) #Passo 3: Resolver os problemas da base de dados (excluir colunas, preencher valores nulos, etc) #Passo 4: Análise Inicial (quantos clientes cancelaram, qual o % de clientes) #Passo 5: Análise a causa dos cancelamentos dos clientes

---

🛠️ Tecnologias Utilizadas

• Python 3
• Pandas — manipulação e análise de dados
• Plotly Express — visualizações interativas
• Jupyter Notebook — desenvolvimento e documentação do processo
• VS Code - ambiente de desenvolvimento

---

📁 Estrutura do Projeto

📦 projeto-cancelamentos
├── 📄 README.md
├── 📊 EDA_Cancelamentos_Assinaturas.ipynb
├── 📂 dados
│   └── cancelamentos.csv

---

1. Configuração do Ambiente Instalação das bibliotecas pandas e plotly Remoção de colunas inúteis (customerID)Verificação de tipos e valores nulos Uso de .dropna() para limpar a base

   pip install pandas plotly

2. Preparando o Terreno
   abrimos um notebook Jupyter (.ipynb) e importar um arquivo chamado cancelamentos.csv, que contém colunas como:

   Tempo de contrato

   Dias de Atraso (aging - adimplência)

   Idade

   Gênero

   Número de ligações ao call center

   Método de pagamento

   Status de cancelamento (1 = cancelou, 0 = não cancelou)

3. Tratamento dos Dados
   Antes de qualquer análise profunda, precisamos garantir que nossos dados estão limpos e prontos para revelar seus segredos.

   Remoção de colunas inúteis (customerID) com .drop()

   Verificação de tipos e valores nulos em .info()

   Uso de .dropna() para limpar a base em transformar em dados válidos.

4. Primeira descoberta: a taxa de cancelamento
   Com value_counts(normalize=True), descobrimos que 56% dos clientes estavam cancelando. Um número assustador — e perfeito para começar a investigar as causas.

cancelou
1.0    499993 (56,7%)
0.0    381666 (43,3%)

🔍 Principais Insights - CSI dos Dados - Investigação Profunda de Causas

• 📞Clientes que ligaram mais de 3 vezes ao call center mostraram maior risco de churn.
• Inadimplência superior a 20 dias, ou seja a taxa de aging foi associada a uma maior propensão ao cancelamento.
• 🧾Clientes com contratos mensais apresentaram alta taxa de cancelamento. Mensal x Anual — quem fica mais?
• Idade e gênero não mostraram correlações significativas com o churn.

cancelou
0.0    0.633324
1.0    0.366676

cancelou
0.0    0.73128
1.0    0.26872

cancelou
0.0    0.816301
1.0    0.183699

---

🧩 Resultados

A partir dessa análise exploratória, surgiram insights estratégicos valiosos:

Call Center como sinal de alerta: Implementar um sistema de alerta quando um cliente faz mais de 3 ligações no mês.

Plano Anual com desconto: Oferecer upgrade com bônus para clientes mensais.

Intervenção antecipada: Abordar clientes inadimplentes antes do 20º dia de atraso.

Conclusão

Se você tem uma empresa baseada em recorrência — como plataformas de streaming, academias, fintechs, serviços de SaaS, clubes de assinatura ou operadoras de telefonia — uma análise exploratória como essa pode reduzir o churn drasticamente de 56,7% para 18% e impulsionar a retenção de clientes.

Muitas vezes, as respostas para os maiores desafios do seu negócio já estão escondidas nos dados que você possui. Você só precisa saber como extraí-las!

📬 Contato

Quer aplicar esse tipo de análise nos dados da sua empresa ou conhecer mais sobre o projeto?
Entre em contato comigo pelo LinkedIn ou abra uma issue aqui no repositório!

---

⭐️ Créditos

Este projeto foi inspirado e desenvolvido como parte da Jornada Python, focado em capacitar profissionais de dados a resolver problemas reais de negócio.