Análisis Exploratorio de Datos - Telco Data
##Introducción Los servicios basados en suscripción generalmente hacen dinero de las siguientes tres maneras:
- Adquirir nuevos clientes
- Upsell de clientes
- Retener clientes existentes
En este análisis me voy a centrar en el AED del dataset Telco Churn.
Preparación de los datos
El conjunto de datos con el que voy a trabajar se puede encontrar en el sitio web de IBM Watson Analytics: https://www.ibm.com/communities/analytics/watson-analytics-blog/guide-to-sample-datasets/ .
Este es un conjunto de datos relacionado a una empresa de telecomunicaciones. Podemos comenzar echando un vistazo a las dimensiones de los datos, así como a las diferentes variables.
Librerias
En primer lugar validaremos si las librerías que usaremos están instaladas y activadas para ser utilizadas en esta sesión.
if (!require("tidyverse"))
{ install.packages("tidyverse")
library(tidyverse)}
if (!require("miscset"))
{ install.packages("miscset")
library(miscset)}
if (!require("car"))
{ install.packages("car")
library(car)}
if (!require("Hmisc"))
{ install.packages("Hmisc")
library(Hmisc)}Estructura de los datos
# Setting the working directory
path_loc <- "C:\\TEMPORAL\\6. ESTADÍSTICA\\3. R Studio"
setwd(path_loc)
# reading in the data
df <- read_csv("Telco.csv")## Rows: 7043 Columns: 21
## ── Column specification ────────────────────────────────────────────────────────
## Delimiter: ","
## chr (17): customerID, gender, Partner, Dependents, PhoneService, MultipleLin...
## dbl (4): SeniorCitizen, tenure, MonthlyCharges, TotalCharges
##
## ℹ Use `spec()` to retrieve the full column specification for this data.
## ℹ Specify the column types or set `show_col_types = FALSE` to quiet this message.# dimensions of the data
dim_desc(df)## [1] "[7,043 x 21]"# names of the data
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"Echando un vistazo, vemos que hay 21 variables y 7043 observaciones. La variable de destino que intentaremos predecir es “Churn”. Podemos profundizar un poco más y echar un vistazo a los tipos de datos de las variables.
# data types
glimpse(df)## Rows: 7,043
## Columns: 21
## $ customerID <chr> "7590-VHVEG", "5575-GNVDE", "3668-QPYBK", "7795-CFOCW…
## $ gender <chr> "Female", "Male", "Male", "Male", "Female", "Female",…
## $ SeniorCitizen <dbl> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ Partner <chr> "Yes", "No", "No", "No", "No", "No", "No", "No", "Yes…
## $ Dependents <chr> "No", "No", "No", "No", "No", "No", "Yes", "No", "No"…
## $ tenure <dbl> 1, 34, 2, 45, 2, 8, 22, 10, 28, 62, 13, 16, 58, 49, 2…
## $ PhoneService <chr> "No", "Yes", "Yes", "No", "Yes", "Yes", "Yes", "No", …
## $ MultipleLines <chr> "No phone service", "No", "No", "No phone service", "…
## $ InternetService <chr> "DSL", "DSL", "DSL", "DSL", "Fiber optic", "Fiber opt…
## $ OnlineSecurity <chr> "No", "Yes", "Yes", "Yes", "No", "No", "No", "Yes", "…
## $ OnlineBackup <chr> "Yes", "No", "Yes", "No", "No", "No", "Yes", "No", "N…
## $ DeviceProtection <chr> "No", "Yes", "No", "Yes", "No", "Yes", "No", "No", "Y…
## $ TechSupport <chr> "No", "No", "No", "Yes", "No", "No", "No", "No", "Yes…
## $ StreamingTV <chr> "No", "No", "No", "No", "No", "Yes", "Yes", "No", "Ye…
## $ StreamingMovies <chr> "No", "No", "No", "No", "No", "Yes", "No", "No", "Yes…
## $ Contract <chr> "Month-to-month", "One year", "Month-to-month", "One …
## $ PaperlessBilling <chr> "Yes", "No", "Yes", "No", "Yes", "Yes", "Yes", "No", …
## $ PaymentMethod <chr> "Electronic check", "Mailed check", "Mailed check", "…
## $ MonthlyCharges <dbl> 29.85, 56.95, 53.85, 42.30, 70.70, 99.65, 89.10, 29.7…
## $ TotalCharges <dbl> 29.85, 1889.50, 108.15, 1840.75, 151.65, 820.50, 1949…
## $ Churn <chr> "No", "No", "Yes", "No", "Yes", "Yes", "No", "No", "Y…Conversión de variables
Por ahora, comencemos transformando las variables tipo “chr”, así como la variable “SeniorCitizen”, en tipo factor “fct”.
df <- df %>% mutate_if(is.character, as.factor)
df$SeniorCitizen <- as.factor(df$SeniorCitizen)
glimpse(df)## Rows: 7,043
## Columns: 21
## $ customerID <fct> 7590-VHVEG, 5575-GNVDE, 3668-QPYBK, 7795-CFOCW, 9237-…
## $ gender <fct> Female, Male, Male, Male, Female, Female, Male, Femal…
## $ SeniorCitizen <fct> 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0,…
## $ Partner <fct> Yes, No, No, No, No, No, No, No, Yes, No, Yes, No, Ye…
## $ Dependents <fct> No, No, No, No, No, No, Yes, No, No, Yes, Yes, No, No…
## $ tenure <dbl> 1, 34, 2, 45, 2, 8, 22, 10, 28, 62, 13, 16, 58, 49, 2…
## $ PhoneService <fct> No, Yes, Yes, No, Yes, Yes, Yes, No, Yes, Yes, Yes, Y…
## $ MultipleLines <fct> No phone service, No, No, No phone service, No, Yes, …
## $ InternetService <fct> DSL, DSL, DSL, DSL, Fiber optic, Fiber optic, Fiber o…
## $ OnlineSecurity <fct> No, Yes, Yes, Yes, No, No, No, Yes, No, Yes, Yes, No …
## $ OnlineBackup <fct> Yes, No, Yes, No, No, No, Yes, No, No, Yes, No, No in…
## $ DeviceProtection <fct> No, Yes, No, Yes, No, Yes, No, No, Yes, No, No, No in…
## $ TechSupport <fct> No, No, No, Yes, No, No, No, No, Yes, No, No, No inte…
## $ StreamingTV <fct> No, No, No, No, No, Yes, Yes, No, Yes, No, No, No int…
## $ StreamingMovies <fct> No, No, No, No, No, Yes, No, No, Yes, No, No, No inte…
## $ Contract <fct> Month-to-month, One year, Month-to-month, One year, M…
## $ PaperlessBilling <fct> Yes, No, Yes, No, Yes, Yes, Yes, No, Yes, No, Yes, No…
## $ PaymentMethod <fct> Electronic check, Mailed check, Mailed check, Bank tr…
## $ MonthlyCharges <dbl> 29.85, 56.95, 53.85, 42.30, 70.70, 99.65, 89.10, 29.7…
## $ TotalCharges <dbl> 29.85, 1889.50, 108.15, 1840.75, 151.65, 820.50, 1949…
## $ Churn <fct> No, No, Yes, No, Yes, Yes, No, No, Yes, No, No, No, N…Valores perdidos
Ahora busquemos valores perdidos.
sapply(df, function(x) sum(is.na(x)))## customerID gender SeniorCitizen Partner
## 0 0 0 0
## Dependents tenure PhoneService MultipleLines
## 0 0 0 0
## InternetService OnlineSecurity OnlineBackup DeviceProtection
## 0 0 0 0
## TechSupport StreamingTV StreamingMovies Contract
## 0 0 0 0
## PaperlessBilling PaymentMethod MonthlyCharges TotalCharges
## 0 0 0 11
## Churn
## 0df %>% map(~ sum(is.na(.)))## $customerID
## [1] 0
##
## $gender
## [1] 0
##
## $SeniorCitizen
## [1] 0
##
## $Partner
## [1] 0
##
## $Dependents
## [1] 0
##
## $tenure
## [1] 0
##
## $PhoneService
## [1] 0
##
## $MultipleLines
## [1] 0
##
## $InternetService
## [1] 0
##
## $OnlineSecurity
## [1] 0
##
## $OnlineBackup
## [1] 0
##
## $DeviceProtection
## [1] 0
##
## $TechSupport
## [1] 0
##
## $StreamingTV
## [1] 0
##
## $StreamingMovies
## [1] 0
##
## $Contract
## [1] 0
##
## $PaperlessBilling
## [1] 0
##
## $PaymentMethod
## [1] 0
##
## $MonthlyCharges
## [1] 0
##
## $TotalCharges
## [1] 11
##
## $Churn
## [1] 0Imputando variables
Parece que “TotalCharges” es la única característica con valores perdidos. Vamos a seguir e imputar los 11 valores perdidos utilizando el valor medio.
# imputing with the median
df <- df %>%
mutate(TotalCharges = replace(TotalCharges,
is.na(TotalCharges),
median(TotalCharges, na.rm = T)))
# checking that the imputation worked
sum(is.na(df$TotalCharges))## [1] 0Recodificando variables
summary(df)## customerID gender SeniorCitizen Partner Dependents
## 0002-ORFBO: 1 Female:3488 0:5901 No :3641 No :4933
## 0003-MKNFE: 1 Male :3555 1:1142 Yes:3402 Yes:2110
## 0004-TLHLJ: 1
## 0011-IGKFF: 1
## 0013-EXCHZ: 1
## 0013-MHZWF: 1
## (Other) :7037
## tenure PhoneService MultipleLines InternetService
## Min. : 0.00 No : 682 No :3390 DSL :2421
## 1st Qu.: 9.00 Yes:6361 No phone service: 682 Fiber optic:3096
## Median :29.00 Yes :2971 No :1526
## Mean :32.37
## 3rd Qu.:55.00
## Max. :72.00
##
## OnlineSecurity OnlineBackup
## No :3498 No :3088
## No internet service:1526 No internet service:1526
## Yes :2019 Yes :2429
##
##
##
##
## DeviceProtection TechSupport
## No :3095 No :3473
## No internet service:1526 No internet service:1526
## Yes :2422 Yes :2044
##
##
##
##
## StreamingTV StreamingMovies Contract
## No :2810 No :2785 Month-to-month:3875
## No internet service:1526 No internet service:1526 One year :1473
## Yes :2707 Yes :2732 Two year :1695
##
##
##
##
## PaperlessBilling PaymentMethod MonthlyCharges
## No :2872 Bank transfer (automatic):1544 Min. : 18.25
## Yes:4171 Credit card (automatic) :1522 1st Qu.: 35.50
## Electronic check :2365 Median : 70.35
## Mailed check :1612 Mean : 64.76
## 3rd Qu.: 89.85
## Max. :118.75
##
## TotalCharges Churn
## Min. : 18.8 No :5174
## 1st Qu.: 402.2 Yes:1869
## Median :1397.5
## Mean :2281.9
## 3rd Qu.:3786.6
## Max. :8684.8
## df$MultipleLines[df$MultipleLines=="No phone service"] <- "No"
df$OnlineSecurity[df$OnlineSecurity=="No internet service"] <- "No"
df$OnlineBackup[df$OnlineBackup=="No internet service"] <- "No"
df$DeviceProtection[df$DeviceProtection=="No internet service"] <- "No"
df$TechSupport[df$TechSupport=="No internet service"] <- "No"
df$StreamingTV[df$StreamingTV=="No internet service"] <- "No"
df$StreamingMovies[df$StreamingMovies=="No internet service"] <- "No"
describe(df)## df
##
## 21 Variables 7043 Observations
## --------------------------------------------------------------------------------
## customerID
## n missing distinct
## 7043 0 7043
##
## lowest : 0002-ORFBO 0003-MKNFE 0004-TLHLJ 0011-IGKFF 0013-EXCHZ
## highest: 9987-LUTYD 9992-RRAMN 9992-UJOEL 9993-LHIEB 9995-HOTOH
## --------------------------------------------------------------------------------
## gender
## n missing distinct
## 7043 0 2
##
## Value Female Male
## Frequency 3488 3555
## Proportion 0.495 0.505
## --------------------------------------------------------------------------------
## SeniorCitizen
## n missing distinct
## 7043 0 2
##
## Value 0 1
## Frequency 5901 1142
## Proportion 0.838 0.162
## --------------------------------------------------------------------------------
## Partner
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 3641 3402
## Proportion 0.517 0.483
## --------------------------------------------------------------------------------
## Dependents
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 4933 2110
## Proportion 0.7 0.3
## --------------------------------------------------------------------------------
## tenure
## n missing distinct Info Mean Gmd .05 .10
## 7043 0 73 0.999 32.37 28.08 1 2
## .25 .50 .75 .90 .95
## 9 29 55 69 72
##
## lowest : 0 1 2 3 4, highest: 68 69 70 71 72
## --------------------------------------------------------------------------------
## PhoneService
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 682 6361
## Proportion 0.097 0.903
## --------------------------------------------------------------------------------
## MultipleLines
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 4072 2971
## Proportion 0.578 0.422
## --------------------------------------------------------------------------------
## InternetService
## n missing distinct
## 7043 0 3
##
## Value DSL Fiber optic No
## Frequency 2421 3096 1526
## Proportion 0.344 0.440 0.217
## --------------------------------------------------------------------------------
## OnlineSecurity
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 5024 2019
## Proportion 0.713 0.287
## --------------------------------------------------------------------------------
## OnlineBackup
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 4614 2429
## Proportion 0.655 0.345
## --------------------------------------------------------------------------------
## DeviceProtection
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 4621 2422
## Proportion 0.656 0.344
## --------------------------------------------------------------------------------
## TechSupport
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 4999 2044
## Proportion 0.71 0.29
## --------------------------------------------------------------------------------
## StreamingTV
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 4336 2707
## Proportion 0.616 0.384
## --------------------------------------------------------------------------------
## StreamingMovies
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 4311 2732
## Proportion 0.612 0.388
## --------------------------------------------------------------------------------
## Contract
## n missing distinct
## 7043 0 3
##
## Value Month-to-month One year Two year
## Frequency 3875 1473 1695
## Proportion 0.550 0.209 0.241
## --------------------------------------------------------------------------------
## PaperlessBilling
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 2872 4171
## Proportion 0.408 0.592
## --------------------------------------------------------------------------------
## PaymentMethod
## n missing distinct
## 7043 0 4
##
## Value Bank transfer (automatic) Credit card (automatic)
## Frequency 1544 1522
## Proportion 0.219 0.216
##
## Value Electronic check Mailed check
## Frequency 2365 1612
## Proportion 0.336 0.229
## --------------------------------------------------------------------------------
## MonthlyCharges
## n missing distinct Info Mean Gmd .05 .10
## 7043 0 1585 1 64.76 34.39 19.65 20.05
## .25 .50 .75 .90 .95
## 35.50 70.35 89.85 102.60 107.40
##
## lowest : 18.25 18.40 18.55 18.70 18.75, highest: 118.20 118.35 118.60 118.65 118.75
## --------------------------------------------------------------------------------
## TotalCharges
## n missing distinct Info Mean Gmd .05 .10
## 7043 0 6531 1 2282 2447 49.65 84.61
## .25 .50 .75 .90 .95
## 402.23 1397.47 3786.60 5973.69 6921.02
##
## lowest : 18.80 18.85 18.90 19.00 19.05
## highest: 8564.75 8594.40 8670.10 8672.45 8684.80
## --------------------------------------------------------------------------------
## Churn
## n missing distinct
## 7043 0 2
##
## Value No Yes
## Frequency 5174 1869
## Proportion 0.735 0.265
## --------------------------------------------------------------------------------Explorando los datos
Ahora que hemos importado los datos y realizado una limpieza, comencemos a explorar los datos. Comencemos por observar los valores únicos de las variables factor.
df_tbl <- df %>%
select_if(is.factor) %>%
summarise_all(n_distinct)
df_tbl[1:8] %>%
print(width = Inf)## # A tibble: 1 × 8
## customerID gender SeniorCitizen Partner Dependents PhoneService MultipleLines
## <int> <int> <int> <int> <int> <int> <int>
## 1 7043 2 2 2 2 2 2
## InternetService
## <int>
## 1 3df_tbl[9:15] %>%
print(width = Inf)## # A tibble: 1 × 7
## OnlineSecurity OnlineBackup DeviceProtection TechSupport StreamingTV
## <int> <int> <int> <int> <int>
## 1 2 2 2 2 2
## StreamingMovies Contract
## <int> <int>
## 1 2 3df_tbl[16:18] %>%
print(width = Inf)## # A tibble: 1 × 3
## PaperlessBilling PaymentMethod Churn
## <int> <int> <int>
## 1 2 4 2Hay un valor único para cada “ID de cliente”. Todos los demás factores tienen cuatro o menos valores únicos, por lo que serán bastante manejables.
Para guiar el análisis, intentaré responder las siguientes preguntas sobre mis segmentos de clientes:
- ¿Son los hombres más propensos a abandonar que las mujeres?
- ¿A los ciudadanos mayores les gusta más abandonar?
- ¿Las personas con pareja tienden a abandonar más que las que no tienen pareja?
- ¿Las personas con dependientes tienden a abandonar más que las personas que no tienen dependientes?
Comenzaré con el género. No esperaría que un género sea más propenso que otro a abandonar, pero veamos qué muestran los datos.
#gender
ggplot(data = df) +
geom_bar(aes(x = gender, fill = gender))
ggplot(df) +
geom_bar(aes(x = gender, fill = Churn), position = "dodge")
Echando un vistazo, los resultados son similares. Aproximadamente una cuarta parte de los clientes masculinos abandonan, y aproximadamente una cuarta parte de los clientes femeninos abandonan. También podemos ver exactamente cuántas personas de cada género se removieron.
df %>%
group_by(gender) %>%
summarise(n=n()) %>%
mutate(freq = n / sum(n))## # A tibble: 2 × 3
## gender n freq
## <fct> <int> <dbl>
## 1 Female 3488 0.495
## 2 Male 3555 0.505df %>%
group_by(gender,Churn) %>%
summarise(n=n()) %>%
mutate(freq = n / sum(n))## `summarise()` has grouped output by 'gender'. You can override using the
## `.groups` argument.## # A tibble: 4 × 4
## # Groups: gender [2]
## gender Churn n freq
## <fct> <fct> <int> <dbl>
## 1 Female No 2549 0.731
## 2 Female Yes 939 0.269
## 3 Male No 2625 0.738
## 4 Male Yes 930 0.262A continuación, echaré un vistazo a las personas mayores.
#SeniorCitizen
ggplot(data = df) +
geom_bar(aes(x = SeniorCitizen, fill = SeniorCitizen))
ggplot(df) +
geom_bar(aes(x = SeniorCitizen, fill = Churn), position = "dodge")
df %>%
group_by(SeniorCitizen) %>%
summarise(n = n()) %>%
mutate(freq = n / sum(n))## # A tibble: 2 × 3
## SeniorCitizen n freq
## <fct> <int> <dbl>
## 1 0 5901 0.838
## 2 1 1142 0.162df %>%
group_by(SeniorCitizen, Churn) %>%
summarise(n = n()) %>%
mutate(freq = n / sum(n))## `summarise()` has grouped output by 'SeniorCitizen'. You can override using the
## `.groups` argument.## # A tibble: 4 × 4
## # Groups: SeniorCitizen [2]
## SeniorCitizen Churn n freq
## <fct> <fct> <int> <dbl>
## 1 0 No 4508 0.764
## 2 0 Yes 1393 0.236
## 3 1 No 666 0.583
## 4 1 Yes 476 0.417Esta variable muestra una relación mucho más significativa. Aproximadamente el 16% de los clientes son ciudadanos de la tercera edad, y aproximadamente el 42% de los ciudadanos mayores abandonan. Por otro lado, del 84% de los clientes que no son personas mayores, solo el 24% abandona. Estos resultados muestran que las personas mayores tienen muchas más probabilidades de abandonar.
Ahora voy a echar un vistazo a las personas con pareja.
#Partner
ggplot(data = df) +
geom_bar(aes(x = Partner, fill = Partner))
ggplot(df) +
geom_bar(aes(x=Partner, fill = Churn), position = "dodge")
df %>%
group_by(Partner) %>%
summarise(n = n()) %>%
mutate(freq = n / sum(n))## # A tibble: 2 × 3
## Partner n freq
## <fct> <int> <dbl>
## 1 No 3641 0.517
## 2 Yes 3402 0.483df %>%
group_by(Partner, Churn) %>%
summarise(n = n()) %>%
mutate(freq = n / sum(n))## `summarise()` has grouped output by 'Partner'. You can override using the
## `.groups` argument.## # A tibble: 4 × 4
## # Groups: Partner [2]
## Partner Churn n freq
## <fct> <fct> <int> <dbl>
## 1 No No 2441 0.670
## 2 No Yes 1200 0.330
## 3 Yes No 2733 0.803
## 4 Yes Yes 669 0.197Aproximadamente la mitad de las personas tienen pareja. De las personas con pareja, 20% abandonan. Para personas sin pareja, aproximadamente 33% abandonan.
A continuación, echaré un vistazo a la categoría Dependientes.
#Dependents
ggplot(data = df) +
geom_bar(aes(x = Dependents, fill = Dependents))
ggplot(df) +
geom_bar(aes_string(x="Dependents", fill="Churn"), position = "dodge")
df %>% group_by(Dependents) %>%
summarise(n = n()) %>%
mutate(freq = n / sum(n))## # A tibble: 2 × 3
## Dependents n freq
## <fct> <int> <dbl>
## 1 No 4933 0.700
## 2 Yes 2110 0.300df %>% group_by(Dependents, Churn) %>%
summarise(n=n()) %>%
mutate(freq = n / sum(n))## `summarise()` has grouped output by 'Dependents'. You can override using the
## `.groups` argument.## # A tibble: 4 × 4
## # Groups: Dependents [2]
## Dependents Churn n freq
## <fct> <fct> <int> <dbl>
## 1 No No 3390 0.687
## 2 No Yes 1543 0.313
## 3 Yes No 1784 0.845
## 4 Yes Yes 326 0.155Aproximadamente el 30% de las personas tienen dependientes, de los cuales el 15% abandona. Para el otro 70% que no tiene dependientes, el 31% abandona.
Otra visualización útil es el diagrama de caja y bigotes. Esto nos da una imagen un poco más compacta de nuestros datos y nos ayuda a identificar valores atípicos. Echemos un vistazo a algunas gráficas de cajas y bigotes para conocer los cargos totales de los diferentes segmentos de clientes.
# Senior Citizens
ggplot(df, aes(x = SeniorCitizen, y = TotalCharges)) +
geom_boxplot()
# Partner
ggplot(df, aes(x = Partner, y = TotalCharges)) +
geom_boxplot()
# Dependents
ggplot(df, aes(x = Dependents, y = TotalCharges)) +
geom_boxplot()
Después de ver estos resultados iniciales, podemos hacer algunas preguntas más. Es posible que queramos comparar los cargos totales de las personas mayores, las personas sin pareja y las personas sin dependientes.
Estos parecen ser los subconjuntos de personas con mayor probabilidad de abandono dentro de sus respectivos segmentos de clientes. Vamos a compararlos para que podamos identificar dónde podríamos centrar nuestros esfuerzos.
# Total charges and tenure of senior citizens
df %>%
select(SeniorCitizen, Churn, TotalCharges, tenure) %>%
filter(SeniorCitizen == 1, Churn == "Yes") %>%
summarise(n = n(),
total = sum(TotalCharges),
avg_tenure = sum(tenure)/n)## # A tibble: 1 × 3
## n total avg_tenure
## <int> <dbl> <dbl>
## 1 476 882405. 21.0# Total charges and tenure of people without a partner
df %>%
select(Partner, Churn, TotalCharges, tenure) %>%
filter(Partner == "No", Churn == "Yes") %>%
summarise(n = n(),
total = sum(TotalCharges),
avg_tenure = sum(tenure)/n)## # A tibble: 1 × 3
## n total avg_tenure
## <int> <dbl> <dbl>
## 1 1200 1306776. 13.2# Total charges and tenure of people without dependents
df %>%
select(Dependents, Churn, TotalCharges, tenure) %>%
filter(Dependents == "No", Churn == "Yes") %>%
summarise(n = n(),
total = sum(TotalCharges),
avg_tenure = sum(tenure)/n)## # A tibble: 1 × 3
## n total avg_tenure
## <int> <dbl> <dbl>
## 1 1543 2261840. 17.1Aquí hay un resumen de los cargos totales (redondeando) para cada segmento de clientes que se produjo:
| Segmento Clientes | Total Charges |
|---|---|
| Senior Citizens | 900,000 |
| No Partners | 1,300,000 |
| No Dependents | 2,300,000 |
Con base en los resultados, debemos enfocar nuestros esfuerzos en personas sin dependientes. Este segmento de clientes que abandonó tenía casi 2.3MM en cargos totales en comparación con 1.3MM para personas sin pareja, y solo 900K para personas mayores.
Profundicemos un poco más y veamos qué servicios utiliza el segmento de clientes.
dependents <- df %>% filter(Dependents == "No")
ggplotGrid(ncol=2,
lapply(c("PhoneService","MultipleLines","InternetService","OnlineSecurity","OnlineBackup",
"DeviceProtection"),
function(col){
ggplot(dependents,aes_string(col)) + geom_bar(aes(fill=Churn),position="dodge")
}))
ggplotGrid(ncol=2,
lapply(c("TechSupport","StreamingTV","StreamingMovies","Contract",
"PaperlessBilling"),
function(col){
ggplot(dependents,aes_string(col)) + geom_bar(aes(fill=Churn),position="dodge")
}))
ggplot(dependents) +
geom_bar(aes(x=PaymentMethod,fill=Churn), position = "dodge")
Echando un vistazo a los resultados, obtenemos algunas ideas potenciales:
Mucha gente con servicio telefónico abandonó. Tal vez estas personas realmente no usan el servicio telefónico. Moverlos a un plan sin servicio telefónico para ahorrarles algo de dinero en su factura podría ayudar a retenerlos.
Las personas con internet de fibra óptica abandonaron mucho más que las personas con DSL o sin internet. Quizás mudar a algunas de esas personas a DSL o eliminar su servicio de internet sería una opción. Otra opción podría ser algún tipo de reducción de precios en su plan de fibra óptica como una especie de promoción por ser un cliente fiel.
Personas sin servicio de respaldo en línea, protección de dispositivos y seguridad en línea abandonaron con bastante frecuencia. Tal vez sus dispositivos se han bloqueado, haciéndoles perder valiosos archivos. También pueden haber sufrido fraude o robo de identidad que los ha dejado muy descontentos. Mover a estas personas a algunos de estos servicios puede ayudar a proteger sus sistemas, evitando así muchos dolores de cabeza no deseados.
De manera similar a la copia de seguridad y seguridad en línea, aquellos sin protección del dispositivo tendieron a abandonar más que los que se suscribieron al servicio. Agregar protección del dispositivo a sus planes puede ser una buena manera de evitar la deserción.
Aquellos sin soporte técnico tienden a abandonar más frecuentemente que aquellos con soporte técnico. Mover a los clientes a cuentas de soporte técnico podría ser otra forma potencial de evitar la deserción.
Hay una serie de otras ideas diferentes que podríamos obtener de los datos, pero esta sería una buena lista inicial para investigar más a fondo si la empresa tuviera conjuntos de datos aún más detallados.
Analisis Adicionales
#TotalCharges
ggplot(data = df) +
geom_histogram(mapping = aes(x = TotalCharges), binwidth = 100)
ggplot(data = df) +
geom_histogram(mapping = aes(x = TotalCharges, fill = Churn), binwidth = 100)
ggplot(data = df, mapping = aes(x = TotalCharges, colour = Churn)) +
geom_freqpoly(binwidth = 100)
df2 <- df %>%
filter(TotalCharges < 2500)
ggplot(data = df2, mapping = aes(x = TotalCharges)) +
geom_histogram(binwidth = 100)
ggplot(df) +
geom_histogram(mapping = aes(x = TotalCharges), binwidth = 100) +
coord_cartesian(ylim = c(0, 200), xlim = c(0, 2500))
#tenure
ggplot(data = df) +
geom_histogram(mapping = aes(x = tenure), binwidth = 1)
ggplot(data = df) +
geom_histogram(mapping = aes(x = tenure, fill = Churn), binwidth = 1)
ggplot(data = df, mapping = aes(x = tenure, colour = Churn)) +
geom_freqpoly(binwidth = 1)
df3 <- df %>%
filter(tenure < 20)
ggplot(data = df3, mapping = aes(x = tenure)) +
geom_histogram(binwidth = 1)
ggplot(df) +
geom_histogram(mapping = aes(x = tenure), binwidth = 1) +
coord_cartesian(ylim = c(0, 200), xlim = c(0, 20))
#TotalCharges, tenure
ggplot(data = df) +
geom_point(mapping = aes(x = tenure, y = TotalCharges), na.rm = TRUE)
ggplot(data = df) +
geom_point(mapping = aes(x = tenure, y = TotalCharges), alpha = 1/10, na.rm = TRUE)
#TotalCharges, Contract
ggplot(data = df) +
geom_boxplot(mapping = aes(x = reorder(Contract, TotalCharges, FUN = median), y = TotalCharges))
ggplot(data = df) +
geom_boxplot(mapping = aes(x = reorder(Contract, TotalCharges, FUN = median), y = TotalCharges))+
coord_flip()
#tenure, Contract
ggplot(data = df) +
geom_boxplot(mapping = aes(x = reorder(Contract, tenure, FUN = median), y = tenure))
ggplot(data = df) +
geom_boxplot(mapping = aes(x = reorder(Contract, tenure, FUN = median), y = tenure))+
coord_flip()
#Contract, Churn
ggplot(data = df) +
geom_count(mapping = aes(x = Contract, y = Churn))
df %>%
count(Contract, Churn) %>%
ggplot(mapping = aes(x = Contract, y = Churn)) +
geom_tile(mapping = aes(fill = n))
Ahora que hemos hecho un análisis exploratorio básico, comencemos a hacer algunos modelos predictivos.