Todos os projetos

02 · Análise de Churn

26,6% dos clientes cancelando.
Onde mora a sangria?

A TelecomX precisava entender por que estava perdendo clientes, e o que fazer a respeito. Construí um pipeline ETL via API, executei análise exploratória completa e entreguei cinco recomendações estratégicas baseadas em padrões claros de comportamento.

PapelAnalista de dados
Período2025
TipoETL · EDA · Negócio
StackPython · Pandas · Seaborn
Churn por tipo de contrato % de evasão · base completa 42% Mensal 11% Anual 3% Bienal 14× maior que bienal

Contexto

Operadoras de telecom têm CAC (custo de aquisição de cliente) alto e margem apertada, perder cliente já adquirido é onde a sangria realmente acontece. A TelecomX sabia que tinha churn, mas não tinha mapeado onde ele acontecia, quando, e por quê.

Problema

Investigar a base de clientes completa para responder: quem cancela, em que momento da jornada, e quais variáveis estão mais associadas ao churn. A entrega não poderia ficar só na descrição, precisava propor ações.

Abordagem

O projeto foi estruturado em três fases:

  • Extração: pipeline ETL consumindo dados via API, normalização de schema e carga em DataFrame.
  • Limpeza: tratamento de nulos, padronização de variáveis categóricas, deduplicação.
  • Análise: segmentação por contrato, tenure, tipo de serviço; visualizações com Seaborn.

A análise foi guiada por hipóteses formuladas antes da exploração, uma prática que sempre uso: a gente não vai à fonte sem saber o que está procurando.

Achados-chave

26,6%
Taxa global de evasão
60%+
Dos cancelamentos nos primeiros meses
14×
Mais churn no contrato mensal vs. bienal

O que os dados mostram

  • Janela crítica nos primeiros meses: >60% dos cancelamentos ocorrem no início do contrato, onboarding falha em criar dependência.
  • Contrato mensal é a porta principal de saída: 42% de churn vs. 3% no bienal. Cliente sem compromisso temporal cancela na primeira fricção.
  • Ausência de suporte técnico contratado correlaciona fortemente com churn.
  • Cobrança eletrônica + pagamento manual aparece como combinação de alto risco: cliente cancela quando precisa lembrar de pagar.
  • Serviços de fibra óptica mostram churn maior que DSL, provável insatisfação com qualidade real vs. expectativa.

Cinco recomendações

Reduzir churn não é uma ação única, é uma sequência de mudanças em onboarding, contrato, pagamento e experiência técnica. Cada uma ataca uma porta de saída específica.
  1. 01
    Programa de retenção nos primeiros 90 dias: onde mora 60%+ do churn. Contato proativo, ajuste de plano, oferta de suporte.
  2. 02
    Incentivos para migração contrato mensal → anual/bienal: desconto progressivo. Cliente fidelizado vale dezenas de mensais.
  3. 03
    Migração de pagamento manual para débito automático com bônus na primeira mensalidade.
  4. 04
    Oferta de suporte técnico como benefício, não como add-on: ao menos para fibra. Custo de suporte é menor que CAC de novo cliente.
  5. 05
    Auditoria de qualidade real na fibra em regiões com churn anômalo, gap entre velocidade contratada e entregue.

Stack

Python Pandas NumPy Seaborn Matplotlib Requests · API ETL EDA

Aprendizados

A análise técnica é metade do trabalho. A outra metade é transformar correlação em ação. Mostrar que "contrato mensal tem mais churn" não muda nada, propor "migrar 40% da base mensal para anual em 6 meses via desconto progressivo" muda.

Aprendi também que pipeline ETL bem construído é o que distingue um notebook bonito de um projeto reutilizável. Quando o dado é reprocessado mensalmente, cada minuto economizado em limpeza vira hora liberada para análise.