Este proyecto consiste en un análisis exploratorio de datos (EDA) sobre la evasión de clientes (churn) en la empresa de telecomunicaciones ficticia "Telecom X". El objetivo principal es identificar los factores y patrones clave que caracterizan a los clientes que abandonan el servicio.

El análisis abarca desde la extracción y limpieza de los datos hasta la visualización de insights y la generación de un informe con conclusiones. El resultado final es un conjunto de datos limpio y una serie de hallazgos que servirán como base para que el equipo de Ciencia de Datos pueda construir un modelo predictivo de churn.

• TelecomX_LATAM.ipynb: Notebook de Jupyter con todo el proceso de análisis, desde la carga de datos hasta las conclusiones y visualizaciones.
• TelecomX_Data.json: El archivo de datos brutos en formato JSON, consumido originalmente desde una API.
• TelecomX_diccionario.md: Diccionario de datos que describe cada una de las columnas del dataset.
• README.md: Este archivo, que documenta el proyecto.

El análisis se desarrolló siguiendo los siguientes pasos estructurados:

1. Extracción de Datos: Se obtuvieron los datos en formato JSON desde la API proporcionada.
2. Carga y Normalización: Los datos JSON se cargaron y normalizaron en un DataFrame de Pandas para facilitar su manipulación.
3. Limpieza y Preprocesamiento:
   • Se renombraron las columnas a un formato más legible y consistente.
   • Se estandarizaron los valores categóricos (ej. Yes/No a Sí/No).
   • Se corrigieron los tipos de datos (ej. CargosTotales de object a numérico).
   • Se manejaron los valores nulos, eliminando las filas correspondientes para garantizar la integridad del análisis.
4. Análisis Exploratorio de Datos (EDA):
   • Se analizó la distribución general de la evasión de clientes.
   • Se crearon visualizaciones para comparar la tasa de evasión entre diferentes segmentos de clientes, basadas en variables categóricas (como TipoContrato, ServicioInternet) y numéricas (como Antiguedad y CargosMensuales).

El análisis reveló patrones claros que identifican a los clientes con mayor riesgo de evasión:

• El Tipo de Contrato es el factor más decisivo: Los clientes con contratos mes a mes presentan una tasa de evasión drásticamente superior a la de los clientes con contratos de 1 o 2 años.
• La Antigüedad y los Cargos Mensuales son clave: Los clientes más nuevos y aquellos con cargos mensuales más elevados son significativamente más propensos a cancelar el servicio.
• El Servicio de Fibra Óptica presenta una mayor tasa de Evasión: Contraintuitivamente, los clientes con el servicio de fibra óptica, que es premium, tienden a evadir más. Esto podría sugerir problemas de expectativas, estabilidad del servicio o una relación costo-beneficio percibida como desfavorable.

• Lenguaje: Python 3
• Bibliotecas Principales:
  • Pandas: Para la manipulación y análisis de datos.
  • Requests: Para la extracción de datos desde la API.
  • Matplotlib y Seaborn: Para la creación de visualizaciones estáticas e informativas.
• Entorno de Desarrollo: Google Colab (Jupyter Notebook).

1. Clonar el repositorio (si aplica) o descargar los archivos.
2. Abrir el notebook TelecomX_LATAM.ipynb en un entorno compatible como Google Colab o Jupyter local.
3. Instalar las dependencias (si se ejecuta localmente):

   pip install pandas requests matplotlib seaborn jupyterlab

4. Ejecutar las celdas del notebook en orden secuencial.

Nota: La celda de extracción de datos requiere la URL de la API. Si la API no está disponible, el análisis se puede replicar cargando los datos desde el archivo TelecomX_Data.json incluido en este repositorio.