Equipo 45-Data Science

🎯 Objetivo

Desarrollar un modelo de análisis y predicción de churn (abandono de clientes) para empresas de e-commerce, que permita identificar patrones de comportamiento, detectar señales tempranas de fuga y generar insights accionables para mejorar la retención.

✅ Requerimientos funcionales

Análisis exploratorio de datos (EDA)

Limpieza, tratamiento de valores faltantes y normalización.

Identificación de correlaciones entre variables de comportamiento (frecuencia de compra, monto promedio, tiempo desde última ompra, interacción con campañas, etc.).

Definición del churn

Criterio claro de “cliente inactivo” (por ejemplo, sin compras en los últimos X días).

Generación de etiquetas (churn / activo) según ese criterio.

Modelado predictivo

Entrenamiento de un modelo que estime la probabilidad de abandono.

Evaluación comparativa de distintos enfoques (árboles de decisión, regresión logística, random forest, etc.).

Segmentación de clientes

Agrupar clientes según riesgo de abandono (alto, medio, bajo).

Descripción de perfiles de riesgo con características distintivas.

Dashboard analítico

Visualización de métricas clave: tasa de churn, precisión del modelo, importancia de variables, distribución por segmentos.

Gráficos y tablas de interpretación accesible para equipos no técnicos.

Recomendaciones de acción (insights de negocio)

Estrategias de retención basadas en patrones detectados (ej. descuentos, campañas personalizadas, programas de fidelización).

Conclusiones claras y priorizadas.

⚙️ Requerimientos técnicos

Conjunto de datos: simulado o público, representativo del comportamiento de clientes en un entorno e-commerce.

Pipeline de análisis: carga, limpieza, modelado y visualización de datos.

Entrenamiento reproducible: separar datos de entrenamiento y validación, documentar métricas (accuracy, recall, F1, AUC, etc.).

Interpretabilidad: explicar de forma comprensible cómo las variables afectan el riesgo de abandono.

Exportabilidad: resultados o insights disponibles en formato visual o CSV/JSON.

Ética de datos: no incluir datos sensibles o identificables.

📦 Entregables esperados

Documento de entendimiento de negocio y definición de churn.

EDA documentado con visualizaciones y hallazgos clave.

Notebook o pipeline reproducible del modelo predictivo entrenado.

Dashboard o visual report con segmentación y métricas principales.

Informe final de recomendaciones de retención, priorizadas según impacto.