---
title: "Proyecto FlexDashBoard"
author: "Santiago Osorio - David Cruz"
date: "2025-11-12"
output: 
  flexdashboard::flex_dashboard:
    orientation: rows
    social: menu
    source_code: embed
---


```{r setup, include=FALSE}
library(flexdashboard)
library(ggplot2)


# Cargar datos
datos <- read.csv("Telco_Cusomer_Churn.csv")

```

Información General
================================================================================

Row
--------------------------------------------------------------------------------

### Descripción del Dataset

*Dataset:* Telco Customer Churn

*Muestra:* 7,043 clientes de una empresa de telecomunicaciones

*Variables principales:*
- Demográficas: gender, SeniorCitizen, Partner, Dependents
- Servicios: PhoneService, InternetService, OnlineSecurity, TechSupport, etc.
- Cuenta: tenure, Contract, MonthlyCharges, TotalCharges, PaymentMethod
- Objetivo: Churn (Si/No - indica si el cliente abandonó el servicio)

*Objetivo del análisis:*
Identificar qué factores influyen en la deserción de clientes para poder predecir y prevenir el churn.


### Portada
```{r, out.width="100%"}
knitr::include_graphics("Portada.png")
```

Análisis Descriptivo
================================================================================

Row
--------------------------------------------------------------------------------

### Summary
```{r}
library(knitr)

# Summary de las variables numéricas principales
resumen <- summary(datos[, c("tenure", "MonthlyCharges", "TotalCharges")])
kable(resumen)
```

### Distribución de Churn
```{r}
ggplot(datos, aes(x = Churn, fill = Churn)) +
  geom_bar() +
  geom_text(stat = "count", aes(label = after_stat(count)), vjust = -0.5) +
  scale_fill_manual(values = c("No" = "#2ECC71", "Yes" = "#E74C3C")) +
  labs(title = "Distribución de Churn", 
       x = "Churn", 
       y = "Número de Clientes") +
  theme_minimal() +
  theme(legend.position = "none")


```
Row
--------------------------------------------------------------------------------

### Distribución de Permanencia (Tenure)
```{r}
ggplot(datos, aes(x = tenure)) +
  geom_histogram(bins = 30, fill = "#3498DB", color = "white") +
  labs(title = "Distribución del Tiempo de Permanencia", 
       x = "Meses de Permanencia", 
       y = "Frecuencia") +
  theme_minimal()
```

### Distribución de Cargos Mensuales
```{r}
ggplot(datos, aes(x = MonthlyCharges)) +
  geom_histogram(bins = 30, fill = "#9B59B6", color = "white") +
  labs(title = "Distribución de Cargos Mensuales", 
       x = "Cargos Mensuales ($)", 
       y = "Frecuencia") +
  theme_minimal()
```


Row
--------------------------------------------------------------------------------

### Interpretaciones

*Permanencia (Tenure):* Se observa una distribución bimodal con muchos clientes nuevos (pocos meses) y clientes de largo plazo (60-72 meses).

*Cargos Mensuales:* La distribución multimodal sugiere diferentes tipos de planes o paquetes de servicios.

Análisis Univariado
================================================================================

Row
--------------------------------------------------------------------------------

### Datos Atípicos - MonthlyCharges
```{r}
ggplot(datos, aes(y = MonthlyCharges)) +
  geom_boxplot(fill = "#E67E22", alpha = 0.7) +
  labs(title = "Boxplot: Cargos Mensuales", 
       y = "Cargos Mensuales ($)") +
  theme_minimal() +
  coord_flip()
```

### Datos Atípicos - TotalCharges
```{r}
ggplot(datos, aes(y = TotalCharges)) +
  geom_boxplot(fill = "#1ABC9C", alpha = 0.7) +
  labs(title = "Boxplot: Cargos Totales", 
       y = "Cargos Totales ($)") +
  theme_minimal() +
  coord_flip()
```

### Datos Atípicos - Tenure
```{r}
ggplot(datos, aes(y = tenure)) +
  geom_boxplot(fill = "#F39C12", alpha = 0.7) +
  labs(title = "Boxplot: Permanencia", 
       y = "Meses de Permanencia") +
  theme_minimal() +
  coord_flip()
```


Row
--------------------------------------------------------------------------------

### Interpretaciones

*MonthlyCharges:* No se observan valores atípicos significativos. La distribución es relativamente uniforme.

*TotalCharges:* Se identifican algunos valores atípicos en el extremo superior, correspondientes a clientes con larga permanencia y planes costosos.

*Tenure:* La distribución es simétrica y no presenta valores atípicos.

Correlación y Modelo
================================================================================

Row
--------------------------------------------------------------------------------

### Matriz de Correlación 
```{r} 
library(corrplot)
# Seleccionar solo variables numéricas
datos_numericos <- datos[, c("tenure", "MonthlyCharges", "TotalCharges")]

# Calcular matriz de correlación
matriz_cor <- cor(datos_numericos, use = "complete.obs")

# Visualizar
corrplot(matriz_cor, method = "color", type = "upper", 
         addCoef.col = "black", 
         tl.col = "black", 
         tl.srt = 45,
         col = colorRampPalette(c("#E74C3C", "white", "#3498DB"))(200),
         title = "Correlación Variables Numéricas", 
         mar = c(0,0,2,0))
```


### Diagrama de Dispersión
```{r}
ggplot(datos, aes(x = tenure, y = TotalCharges, color = Churn)) +
  geom_point(alpha = 0.5) +
  geom_smooth(method = "lm", se = FALSE, color = "black", linetype = "dashed") +
  scale_color_manual(values = c("No" = "#2ECC71", "Yes" = "#E74C3C")) +
  labs(title = "Relación entre Permanencia y Cargos Totales", 
       x = "Tiempo de Permanencia (meses)", 
       y = "Cargos Totales ($)",
       color = "Churn") +
  theme_minimal()
```


Row
--------------------------------------------------------------------------------

### Interpretaciones

*Matriz de Correlación:* Existe una fuerte correlación positiva (0.83) entre TotalCharges y tenure, lo cual es esperado ya que los clientes con mayor permanencia acumulan mayores cargos totales.

*Diagrama de Dispersión:* Se confirma la relación lineal positiva entre permanencia y cargos totales. Los clientes que abandonan (puntos rojos) tienden a tener menor permanencia.

Análisis Bivariado
================================================================================

Row
--------------------------------------------------------------------------------

### Cargos Mensuales por Churn (Boxplot)
```{r}
ggplot(datos, aes(x = Churn, y = MonthlyCharges, fill = Churn)) +
  geom_boxplot() +
  scale_fill_manual(values = c("No" = "#2ECC71", "Yes" = "#E74C3C")) +
  labs(title = "Cargos Mensuales por Estado de Churn", 
       x = "Churn", 
       y = "Cargos Mensuales ($)") +
  theme_minimal() +
  theme(legend.position = "none")
```

### Churn por Tipo de Contrato
```{r}
ggplot(datos, aes(x = Contract, fill = Churn)) +
  geom_bar(position = "fill") +
  scale_fill_manual(values = c("No" = "#2ECC71", "Yes" = "#E74C3C")) +
  labs(title = "Proporción de Churn por Tipo de Contrato", 
       x = "Tipo de Contrato", 
       y = "Proporción",
       fill = "Churn") +
  theme_minimal() +
  scale_y_continuous(labels = scales::percent)

```

Row
--------------------------------------------------------------------------------

### Churn por Servicio de Internet
```{r}
ggplot(datos, aes(x = InternetService, fill = Churn)) +
  geom_bar(position = "fill") +
  scale_fill_manual(values = c("No" = "#2ECC71", "Yes" = "#E74C3C")) +
  labs(title = "Proporción de Churn por Servicio de Internet", 
       x = "Tipo de Servicio de Internet", 
       y = "Proporción",
       fill = "Churn") +
  theme_minimal() +
  scale_y_continuous(labels = scales::percent)
```

### Churn por Método de Pago
```{r}
ggplot(datos, aes(x = PaymentMethod, fill = Churn)) +
  geom_bar(position = "fill") +
  scale_fill_manual(values = c("No" = "#2ECC71", "Yes" = "#E74C3C")) +
  labs(title = "Proporción de Churn por Método de Pago", 
       x = "Método de Pago", 
       y = "Proporción",
       fill = "Churn") +
  theme_minimal() +
  scale_y_continuous(labels = scales::percent) +
  theme(axis.text.x = element_text(angle = 45, hjust = 1))

```

Row
--------------------------------------------------------------------------------

### Interpretaciones

*Cargos Mensuales por Churn:* Los clientes que abandonan tienden a tener cargos mensuales más altos en promedio, sugiriendo sensibilidad al precio.

*Churn por Contrato:* Los contratos mes a mes presentan significativamente mayor deserción que los contratos de uno o dos años. Compromisos a largo plazo mejoran la retención.

*Churn por Internet:* Los clientes con fibra óptica muestran mayor proporción de deserción comparado con DSL o sin servicio de internet.

*Churn por Método de Pago:* El cheque electrónico está asociado con mayor deserción, mientras que los métodos de pago automático muestran mejor retención.

Conclusiones
================================================================================

Row
--------------------------------------------------------------------------------

### Conclusiones

*Hallazgos Principales:*

1. *Tasa de Deserción:* Aproximadamente el 26.5% de los clientes abandonan el servicio, representando un desafío importante para la retención.

2. *Permanencia y Lealtad:* Existe una correlación fuerte (r=0.83) entre el tiempo de permanencia y los cargos totales acumulados. Los clientes de largo plazo son más valiosos.

3. *Tipo de Contrato:* Los contratos mes a mes presentan significativamente mayor deserción que los contratos de uno o dos años, indicando que compromisos a largo plazo mejoran la retención.

4. *Cargos Mensuales:* Los clientes que abandonan tienden a tener cargos mensuales más altos, sugiriendo sensibilidad al precio o percepción de bajo valor.

5. *Servicio de Internet:* La fibra óptica está asociada con mayor deserción, posiblemente por mayor competencia o expectativas de servicio más altas.

6. *Método de Pago:* El cheque electrónico está asociado con mayor deserción, mientras que los métodos de pago automático muestran mejor retención.


### Recomendaciones

*Acciones Estratégicas Propuestas:*

1. *Incentivos para Contratos Largos:* Ofrecer descuentos significativos para contratos de 1-2 años y crear programas de lealtad para clientes de largo plazo.

2. *Optimización de Precios:* Revisar la estructura de precios para planes de alto costo y crear paquetes de valor que justifiquen cargos mensuales elevados.

3. *Mejora del Servicio de Fibra Óptica:* Investigar causas específicas de deserción en clientes de fibra óptica y mejorar la calidad del servicio y soporte técnico.

4. *Automatización de Pagos:* Incentivar la adopción de métodos de pago automáticos ofreciendo descuentos y facilitar la configuración de pagos recurrentes.

5. *Programa de Retención Temprana:* Identificar clientes en riesgo en los primeros 6-12 meses e implementar programas de onboarding mejorados.

6. *Análisis Predictivo:* Desarrollar modelos de machine learning para predecir churn e implementar intervenciones personalizadas basadas en riesgo de deserción.