Laboratorio 2 – Análisis de datos de fuga de clientes en R

Introducción

Este informe aborda el análisis del conjunto de datos Telco_Customer_Churn, que contiene 7 043 registros de clientes de una compañía telefónica. Las variables describen el perfil y comportamiento de cada usuario: identificador del cliente, género, si es ciudadano mayor, si tiene pareja, antigüedad en meses (tenure), dependientes, servicios contratados (líneas, internet, seguridad, respaldo, protección, soporte técnico, streaming), tipo de contrato, facturación en papel, método de pago, cargos mensuales (MonthlyCharges), cargos totales acumulados (TotalCharges) y la variable de rotación (Churn), que indica si el cliente abandonó la compañía.

La evaluación se divide en ocho puntos que corresponden a tareas analíticas y visualizaciones. Se realiza la carga e inspección de los datos, estadísticas descriptivas, matriz de correlaciones, diagramas de cajas y barras para explorar relaciones con la rotación, un análisis de regresión lineal y un panel que combina los principales gráficos.

1 – Importar y explorar el conjunto de datos

En primer lugar se cargan los paquetes necesarios y se importa el archivo Telco_Customer_Churn.csv. Ajuste la ruta del archivo según corresponda. También se observan las dimensiones y las primeras filas para tener una idea general de la estructura de los datos.

# Paquetes empleados en el análisis
library(dplyr)     # manipulación de datos
library(tidyr)     # manejo de datos faltantes y pivotes
library(ggplot2)   # gráficos
library(corrplot)  # matriz de correlaciones (opcional)
library(patchwork) # combinar gráficos
library(knitr)     # tablas
library(scales)    # formateo de ejes

# Cargar los datos (modifique la ruta si es necesario)
df <- read.csv("Telco_Customer_Churn.csv", stringsAsFactors = FALSE)

# Convertir variables categóricas de interés en factors
df <- df %>%
  mutate(
    Churn  = factor(Churn),
    gender = factor(gender)
  )

# Vista previa y dimensiones
df %>%
  slice_head(n = 6) %>%
  knitr::kable(caption = "Primeras 6 filas del conjunto de datos")

Primeras 6 filas del conjunto de datos

customerID	gender	SeniorCitizen	Partner	Dependents	tenure	PhoneService	MultipleLines	InternetService	OnlineSecurity	OnlineBackup	DeviceProtection	TechSupport	StreamingTV	StreamingMovies	Contract	PaperlessBilling	PaymentMethod	MonthlyCharges	TotalCharges	Churn
7590-VHVEG	Female	0	Yes	No	1	No	No phone service	DSL	No	Yes	No	No	No	No	Month-to-month	Yes	Electronic check	29.85	29.85	No
5575-GNVDE	Male	0	No	No	34	Yes	No	DSL	Yes	No	Yes	No	No	No	One year	No	Mailed check	56.95	1889.50	No
3668-QPYBK	Male	0	No	No	2	Yes	No	DSL	Yes	Yes	No	No	No	No	Month-to-month	Yes	Mailed check	53.85	108.15	Yes
7795-CFOCW	Male	0	No	No	45	No	No phone service	DSL	Yes	No	Yes	Yes	No	No	One year	No	Bank transfer (automatic)	42.30	1840.75	No
9237-HQITU	Female	0	No	No	2	Yes	No	Fiber optic	No	No	No	No	No	No	Month-to-month	Yes	Electronic check	70.70	151.65	Yes
9305-CDSKC	Female	0	No	No	8	Yes	Yes	Fiber optic	No	No	Yes	No	Yes	Yes	Month-to-month	Yes	Electronic check	99.65	820.50	Yes

cat("Número de filas:", nrow(df), "\nNúmero de columnas:", ncol(df), "\n\n")

Número de filas: 7043 
Número de columnas: 21 

cat("Variables:\n")

Variables:

print(names(df))

 [1] "customerID"       "gender"           "SeniorCitizen"    "Partner"         
 [5] "Dependents"       "tenure"           "PhoneService"     "MultipleLines"   
 [9] "InternetService"  "OnlineSecurity"   "OnlineBackup"     "DeviceProtection"
[13] "TechSupport"      "StreamingTV"      "StreamingMovies"  "Contract"        
[17] "PaperlessBilling" "PaymentMethod"    "MonthlyCharges"   "TotalCharges"    
[21] "Churn"           

2 – Estadísticas descriptivas

Solo las columnas de tipo numérico son consideradas para las estadísticas descriptivas. Para cada variable se calcula la media, mediana, desviación estándar y extremos mínimos y máximos.

# Identificar columnas numéricas
num_cols <- sapply(df, is.numeric)

# Calcular estadísticos básicos para cada variable numérica
estadisticas <- df %>%
  summarise(across(
    .cols = which(num_cols),
    .fns  = list(
      media   = ~ mean(.x, na.rm = TRUE),
      mediana = ~ median(.x, na.rm = TRUE),
      sd      = ~ sd(.x, na.rm = TRUE),
      min     = ~ min(.x, na.rm = TRUE),
      max     = ~ max(.x, na.rm = TRUE)
    ),
    .names = "{.col}_{.fn}"
  )) %>%
  pivot_longer(everything(), names_to = c("variable", "estadistico"), names_sep = "_", values_to = "valor") %>%
  pivot_wider(names_from = estadistico, values_from = valor)

# Mostrar tabla redondeando valores numéricos
estadisticas %>%
  mutate(across(where(is.numeric), ~ round(.x, 3))) %>%
  knitr::kable(caption = "Estadísticas descriptivas de las variables numéricas")

Estadísticas descriptivas de las variables numéricas

variable	media	mediana	sd	min	max
SeniorCitizen	0.162	0.000	0.369	0.00	1.00
tenure	32.371	29.000	24.559	0.00	72.00
MonthlyCharges	64.762	70.350	30.090	18.25	118.75
TotalCharges	2283.300	1397.475	2266.771	18.80	8684.80

3 – Matriz de correlación

Se calcula la matriz de correlaciones de Pearson entre las variables numéricas para evaluar relaciones lineales entre ellas. Se presenta la matriz tanto en forma de tabla como en un mapa de calor opcional con el paquete corrplot.

# Subconjunto numérico sin valores faltantes
num_df <- df[, num_cols]
num_df <- num_df[complete.cases(num_df), ]

# Matriz de correlaciones
M <- cor(num_df, use = "pairwise.complete.obs")

# Tabla redondeada
M %>%
  round(3) %>%
  as.data.frame() %>%
  tibble::rownames_to_column("Variable") %>%
  knitr::kable(caption = "Matriz de correlaciones (Pearson) entre variables numéricas")

Matriz de correlaciones (Pearson) entre variables numéricas

Variable	SeniorCitizen	tenure	MonthlyCharges	TotalCharges
SeniorCitizen	1.000	0.016	0.220	0.102
tenure	0.016	1.000	0.247	0.826
MonthlyCharges	0.220	0.247	1.000	0.651
TotalCharges	0.102	0.826	0.651	1.000

# Mapa de calor (opcional)
corrplot(M, method = "color", addCoef.col = "black", tl.col = "black", number.cex = 0.6)

Las mayores correlaciones se observan entre MonthlyCharges y TotalCharges, y entre estas con la antigüedad tenure, ya que los cargos totales aumentan con el tiempo y los cargos mensuales.

4 – Diagrama de cajas: cargos mensuales según rotación

Se construye un diagrama de cajas para comparar los cargos mensuales (MonthlyCharges) de los clientes que se han retirado (Churn = Yes) con los que permanecen (Churn = No).

# Boxplot de cargos mensuales por rotación
p4_box <- ggplot(df, aes(x = Churn, y = MonthlyCharges)) +
  geom_boxplot(fill = "lightgoldenrodyellow", color = "gray30") +
  labs(
    title = "Cargos mensuales según rotación",
    x = "Rotación (Churn)",
    y = "Cargos mensuales"
  ) +
  theme_minimal()

p4_box

Se observa que los clientes que se han retirado tienden a tener cargos mensuales ligeramente superiores en comparación con quienes permanecen, aunque la variabilidad es similar en ambos grupos.

5 – Diagrama de cajas: cargos totales según rotación

Ahora se compara la distribución de los cargos totales acumulados (TotalCharges) entre los grupos de rotación.

# Asegurarse de que TotalCharges es numérico
if(!is.numeric(df$TotalCharges)) df$TotalCharges <- as.numeric(df$TotalCharges)

# Eliminar casos con NA en TotalCharges o Churn
p5_data <- df %>% select(Churn, TotalCharges) %>% drop_na()

# Gráfico
p5_box <- ggplot(p5_data, aes(x = Churn, y = TotalCharges)) +
  geom_boxplot(fill = "mistyrose", color = "gray30") +
  scale_y_continuous(labels = dollar_format(prefix = "$")) +
  labs(
    title = "Cargos totales según rotación",
    x = "Rotación (Churn)",
    y = "Cargos totales acumulados"
  ) +
  theme_minimal()

p5_box

Los clientes que se retiraron muestran cargos totales algo más altos. Sin embargo, la dispersión amplia indica que existen clientes con altos cargos totales en ambos grupos.

6 – Diagrama de barras apiladas: género y rotación

Se analiza la proporción de géneros dentro de cada categoría de rotación mediante un diagrama de barras apiladas normalizado.

# Contar clientes por rotación y género
gender_churn_tab <- df %>% count(Churn, gender, name = "count")

# Gráfico de barras apiladas (proporciones)
p6_bar <- ggplot(gender_churn_tab, aes(x = Churn, y = count, fill = gender)) +
  geom_col(position = "fill") +
  scale_y_continuous(labels = percent_format()) +
  labs(
    title = "Distribución de género según rotación",
    x = "Rotación (Churn)",
    y = "Proporción",
    fill = "Género"
  ) +
  theme_minimal()

p6_bar

La distribución de género es similar en ambos grupos de rotación, lo que sugiere que esta variable no tiene un impacto notable en la decisión de abandonar la compañía.

7 – Relación entre antigüedad y cargos mensuales

Se evalúa la relación lineal entre la antigüedad (tenure) y los cargos mensuales (MonthlyCharges), calculando la correlación de Pearson y ajustando un modelo de regresión lineal simple.

# Eliminar registros incompletos
tm_df <- df %>% select(tenure, MonthlyCharges) %>% drop_na()

# Correlación de Pearson
corr_tm <- cor(tm_df$tenure, tm_df$MonthlyCharges)

# Modelo lineal simple
tm_model <- lm(MonthlyCharges ~ tenure, data = tm_df)
coef_model <- coef(tm_model)

# Gráfico de dispersión con recta de regresión
p7_scatter <- ggplot(tm_df, aes(x = tenure, y = MonthlyCharges)) +
  geom_point(alpha = 0.7) +
  geom_smooth(method = "lm", se = TRUE, color = "blue") +
  labs(
    title    = "Relación entre antigüedad y cargos mensuales",
    subtitle = paste0("r = ", round(corr_tm, 3)),
    x        = "Antigüedad (meses)",
    y        = "Cargos mensuales"
  ) +
  theme_minimal()

p7_scatter

# Tabla de parámetros
parametros <- data.frame(
  Parámetro = c("Intercepto", "Pendiente"),
  Valor     = round(coef_model, 4)
)

knitr::kable(parametros, caption = "Parámetros del modelo lineal (MonthlyCharges ~ tenure)")

Parámetros del modelo lineal (MonthlyCharges ~ tenure)

	Parámetro	Valor
(Intercept)	Intercepto	54.9298
tenure	Pendiente	0.3037

El coeficiente de correlación ((r = ) 0.248) indica una relación positiva moderada: clientes con mayor antigüedad tienden a pagar cargos mensuales algo mayores. La pendiente del modelo (0.3) sugiere que cada mes adicional de permanencia se asocia con un incremento promedio en el cargo mensual.

8 – Panel de gráficos

Se combinan los gráficos de los puntos 4, 5, 6 y 7 en un panel 2x2 mediante la librería patchwork. Esto facilita la comparación visual de los distintos aspectos analizados.

# Utilizar patchwork para organizar el panel
(p4_box | p5_box) / (p6_bar | p7_scatter)

---

Conclusión general

Los análisis realizados permiten concluir que los clientes que se retiran tienden a presentar cargos mensuales y totales ligeramente superiores, aunque las diferencias no son tan marcadas debido a la alta variabilidad. El género no parece influir en la rotación, pues la proporción de hombres y mujeres es similar en ambos grupos. Por otro lado, existe una relación positiva moderada entre la antigüedad y los cargos mensuales, lo cual indica que los clientes más antiguos pueden tener planes más costosos o contratar más servicios. No obstante, el valor de (R^2) sugiere que otros factores no evaluados aquí también influyen en el monto de la factura.