Resumen del Negocio:
👩🏿💻 La industria de las telecomunicaciones es un sector en constante crecimiento que evoluciona rápidamente para satisfacer las demandas de los consumidores.
A medida que avanza la tecnología y cambia el comportamiento de los usuarios, los operadores de telecomunicaciones enfrentan una variedad de desafíos que pueden impactar el éxito de sus negocios.
Para mantenerse competitivas y satisfacer las necesidades de los clientes, es importante que las compañías de telecomunicaciones analicen regularmente sus datos para identificar problemas relevantes y oportunidades de mejora.
✅ El objetivo de este proyecto es explorar los datos de telecomunicaciones y encontrar problemas relevantes que enfrentan los operadores de telecomunicaciones.
Mediante el análisis exploratorio de datos (EDA) en un gran volumen de información de telecomunicaciones, podemos obtener información valiosa sobre el comportamiento de los usuarios, el rendimiento de la red, la demografía de los clientes y más. A través de este análisis, esperamos identificar posibles áreas de mejora, como aumentar la satisfacción del cliente, optimizar el rendimiento de la red e incrementar los ingresos a través de esfuerzos de marketing dirigidos.
Las conclusiones obtenidas de este proyecto "Desentrañando Telecomunicaciones: Análisis de Datos en Profundidad" pueden ayudar a los operadores de telecomunicaciones a tomar decisiones informadas sobre su estrategia comercial, permitiéndoles satisfacer mejor las necesidades de sus clientes y mantenerse competitivos en el mercado.
📠 Desentrañando Telecomunicaciones: Análisis de Datos en Profundidad
✔️Diccionario de Datos
El Análisis Exploratorio de Datos (EDA) es un paso crucial en cualquier proyecto basado en datos, especialmente cuando trabajamos con conjuntos de datos desconocidos. En tales casos, es esencial comprender las características de los datos, identificar patrones y tendencias, y descubrir ideas que podrían estar ocultas en los datos.
A través del EDA, podemos descubrir los problemas que enfrentan nuestros clientes y las áreas en las que podemos mejorar nuestros servicios.
Para llevar a cabo el EDA, necesitamos tener una comprensión clara de las variables en nuestro conjunto de datos, y ahí es donde resulta útil un diccionario de datos.
✔️ Exploratory Data Analysis (EDA)
Este análisis se hará sobre un dataset con 653.753 filas y 74 columnas. El número de filas representa el número de registros u observaciones del conjunto de datos, mientras que el número de columnas representa el número de características o variables asociadas a cada observación.
Customer ID:
En el conjunto de datos hay 98.230 clientes únicos y los datos abarcan 14 meses. Con estos datos, podemos realizar un análisis más exhaustivo.
En junio se incorporaron numerosos clientes.
Podría deberse a una promoción estacional o a una campaña de marketing especialmente eficaz, o a factores externos como cambios en el mercado o el sector. Para formular una hipótesis más fundamentada sería necesario un análisis y un contexto más detallados.
Distribución de los clientes por meses:
Calculemos cuántos clientes se suman cada mes:
Del gráfico se observa que el número de clientes aumenta de forma constante de enero a mayo, tras lo cual se produce un fuerte incremento en junio, seguido de un aumento constante y una tendencia a la baja. Esto podría indicar algún problema o cambio en los servicios o la estrategia de marketing de la empresa durante ese periodo.
Calcular estadísticas básicas por cliente:
count 98230.000000
mean 6.655329
std 3.377418
min 1.000000
25% 4.000000
50% 6.000000
75% 9.000000
max 14.000000
dtype: float64
🟪 La duración media de un cliente es de 6 meses, luego podemos generar las siguientes hipótesis:
🟪 La empresa necesita mejorar sus estrategias de retención de clientes para aumentar la duración media de los clientes.
🟪 La empresa necesita evaluar sus estrategias de precios para retener a los clientes durante más tiempo.
🟪 La empresa necesita centrarse en mejorar la calidad de sus servicios para aumentar la fidelidad de los clientes y prolongar la duración de sus servicios.
Para comprender el problema real, debemos analizar otras variables y ver qué conclusiones arrojan para apoyar o rechazar estas hipótesis.
df.groupby(['Customer ID']).size().value_counts():
9 13.086
6 11.896
5 9.761
7 9.647
8 8.368
3 8.061
1 7.284
4 7.176
13 5.603
2 5.069
12 4.441
10 3.631
11 3.441
14 766
Esto demuestra que hay más personas en el tramo de 5 a 9 meses.
Podemos generar las siguientes hipótesis:
🟪Es más probable que los clientes que permanecen más tiempo con el proveedor de servicios de telecomunicaciones permanezcan entre 5 y 9 meses.
🟪Es posible que los clientes se enfrenten a algunos problemas con el servicio después de 9 meses, lo que lleva a una mayor tasa de abandono después de ese periodo.
Zip Code:
Como vemos, la distribución confirma nuestra hipótesis de distribución normal.
Como la distribución de clientes por códigos postales no muestra mucha asimetría, sugiere que la base de clientes está distribuida de forma relativamente uniforme por códigos postales.
No hay grupos de clientes en determinados códigos postales que destaquen por ser mucho más populares que otros. Esto podría ser un signo positivo para la empresa, ya que sugiere que la base de clientes es amplia y no depende excesivamente de una zona geográfica concreta.
Género:
Female 278.668
Male 276.917
Not Specified 48.938
Other 39.206
Edad:
🟢Las posibles hipótesis que podrían formarse para la columna "Edad" son:
La mayoría de los clientes se encuentran en el grupo de edad de 20 a 40 años.
Habrá valores atípicos en la columna de edad, ya que algunos clientes podrían haber introducido una edad no válida.
Como podemos ver, la edad máxima es 9999.
Esto demuestra nuestra hipótesis de que habrá valores atípicos en la columna de edad, ya que algunos clientes podrían haber introducido una edad no válida.
Estado Civil:
Yes 279.124
No 276.240
Not Specified 84.013
NaN 14.376
Hijos:
No 320.931
Yes 169.579
Not Specified 138.619
NaN 24.624
🟢Porcentaje de clientes con personas a cargo: 25.94%
El porcentaje de clientes con familiares a cargo nos da una idea de la estructura familiar de la base de clientes.
Esto puede ayudarnos a comprender el tipo de servicios que demandan las familias y si hay oportunidades de introducir planes y promociones orientados a ellas.
Número de personas a cargo:
N.º de dependentes N.º Total de CLientes
0 435.554
1 79.167
4 39.647
2 21.156
3 16.031
7 15.468
6 15.137
8 13.625
9 13.023
699 (outlier) 4.945
🟢Mejorar la satisfacción del cliente:
Los clientes sin familiares a cargo constituyen la mayor parte de la base de datos de clientes y podrían utilizarse para mejorar la satisfacción de los clientes ofreciéndoles productos y servicios más precisos y pertinentes en función de sus necesidades, ya que es más probable que los clientes con familiares a cargo tengan un ARPU elevado, lo que significa que invierten más y corren menos riesgo de darse de baja.
Sin embargo, hay que abordarles con una estrategia totalmente diferente para garantizar su fidelidad.
Location ID and Service ID:
Los recuentos de valores únicos de las columnas ID de ubicación e ID de servicio son prácticamente iguales, lo que indica que la ID de ubicación y la ID de servicio están relacionadas entre sí.
state Number_of_customers
0 AR 15.521
1 CA 57.665
2 NM 9.209
3 WA 15.835
🟢Se observa que el mayor número de clientes procede de California, con 57.665 ID de clientes.
df.groupby('state')['zip_code'].nunique():
state
AR 712
CA 2.655
NM 428
WA 733
🟢California tiene el máximo de códigos postales.
Hipótesis que se pueden deducir:
El proveedor de servicios de telecomunicaciones tiene una fuerte presencia en California, lo que se traduce en una mayor base de clientes.
Los clientes de California utilizan más el teléfono móvil que los de otros estados, lo que se traduce en un mayor número de suscripciones al proveedor de servicios de telecomunicaciones.
Estas conclusiones también conducen a los siguientes problemas:
🟢Estrategia de marketing basada en la localización: La conclusión de que la mayoría de los clientes son de California podría utilizarse para desarrollar una estrategia de marketing basada en la localización que se dirija a los clientes de este estado con ofertas, campañas y promociones personalizadas.
🟢Mejorar la distribución de clientes: Analizar y atraer a más clientes de otros estados para equilibrar la distribución de clientes y garantizar que la empresa no dependa excesivamente de una zona concreta.
Timezone:
America/Los_Angeles 488.813
America/Chicago 103.404
America/Denver 61.389
NaN 147
Hay 147 valores nulos para la zona horaria, todos ellos pertenecen al condado de Craighead. La zona horaria correspondiente a este condado es "America/Chicago", por lo que hemos sustituido los valores nulos por esta zona horaria.
Los clientes de distintas zonas horarias pueden tener un comportamiento de uso o de llamadas diferente, lo que puede afectar a los ingresos o a la calidad del servicio de la empresa.
Ingresos medios por usuario (ARPU):
🟢La distribución de los valores de ARPU es sesgada a la derecha, con la mayoría de los valores concentrados por debajo de 500, lo que indica valores de ARPU muy elevados para unos pocos clientes que prueban nuestras hipótesis.
🟢Hay algunos valores de ARPU negativos, que pueden deberse a reembolsos.
Un ARPU negativo significa que la empresa está perdiendo dinero por usuario, en lugar de obtener beneficios. No es raro que las empresas de telecomunicaciones tengan un ARPU negativo debido a los elevados costes asociados a la adquisición y el servicio de los clientes.
🟢El 17% de los clientes tiene arpu negativo, lo que significa que una parte importante de la base de clientes no genera ingresos para la empresa de telecomunicaciones.
Esto podría deberse a varias razones, como cuentas inactivas, cuentas morosas o cuentas con saldos pendientes.
Para comprender mejor esta cuestión, podemos investigar otras variables que pueden estar relacionadas con la arpu negativa, como el estado de churn. También podemos examinar la distribución de los valores de arpu negativo entre distintos grupos demográficos, como la edad, el sexo y la ubicación, para ver si hay algún patrón o tendencia.
Además, podemos explorar si existe alguna correlación entre la arpu negativa y otras variables, como los patrones de uso, las suscripciones a servicios y las puntuaciones de satisfacción de los clientes, para comprender cuál es la causa de este comportamiento.
En general, es necesario seguir investigando para comprender plenamente las implicaciones de la arpu negativa para la empresa de telecomunicaciones.
Churn Value:
El gráfico muestra un aumento gradual del número de clientes que abandonan el servicio desde el mes 8 hasta el 11.
El mes 11 presenta el mayor número de clientes que abandonan la red. El mes 11 es el de mayor número de clientes dados de baja, lo que indica que puede haber habido algún problema con los servicios prestados durante ese mes que haya llevado a los clientes a abandonar la red. Tendremos que analizarlo más a fondo.
🟦Los clientes han recomendado el servicio a un amigo:
Yes 525.449
No 128.304
🟦Los clientes que recomendaron el servicio:
0.0 167.747
1.0 60.907
4.0 50.033
11.0 48.778
7.0 48.707
8.0 48.136
6.0 46.975
3.0 44.500
10.0 40.923
5.0 36.908
2.0 33.749
9.0 26.003
NaN 387
Para incentivar más recomendaciones y aumentar la captación de clientes, la empresa podría plantearse ofrecer bonificaciones por recomendación u otras recompensas a los clientes que consigan recomendar nuevos clientes.
La empresa podría analizar las características y el comportamiento de los clientes más propensos a hacer recomendaciones y mejorar sus campañas de marketing.
Servicio de teléfono:
El Servicio Telefónico es una opción popular entre los clientes, optando por él en el periodo de 14 meses. Esto sugiere que es un servicio importante que la empresa debe seguir ofreciendo e invirtiendo en él. Sería interesante estudiar los datos demográficos y las pautas de uso de los clientes que optaron por el Servicio Telefónico frente a los que no lo hicieron. Esto podría ayudar a la empresa a comprender mejor las necesidades y preferencias de su clientela.
Internet Service and Internet Type:
Yes 398.863
No 254.890
Alrededor de 400.000 clientes (no únicos) han optado por el servicio de Internet durante 14 meses.
Para obtener más información, podemos combinar esta observación con otras columnas como el valor de cancelación, los gastos totales, el tipo de contrato, el método de pago y los gastos mensuales, como se ha mencionado anteriormente. Esto puede ayudarnos a comprender el comportamiento y las preferencias de los clientes que han optado por el servicio de Internet y a identificar posibles áreas de mejora o de venta.
Tipo de Internet:
NaN 217.332
Fiber Optic 134.991
Cable 112.100
None 107.918
DSL 81.412
Se ofrecen cuatro tipos de servicios de Internet: Fibra óptica, Cable, DSL y Ninguno.
La mayoría de los clientes han optado por los servicios de Internet de Fibra Óptica y Cable.
Puede haber casos en los que el servicio de Internet sea sí, pero no se especifique el tipo de Internet (valores NaN).
Puede haber casos en los que el servicio de Internet sea no, pero se especifique el tipo de Internet (lo que no tiene sentido).
Consumo de datos en streaming:
Streaming Movies:
No 334.570
Yes 319.183
Streaming TV
No 331.747
Yes 322.006
🟦El valor mínimo es de 0 GB, lo que indica que algunos clientes no consumieron ningún dato de streaming durante el mes, mientras que el valor máximo es de 85 GB.
🟦La distribución muy sesgada a la derecha de los datos de consumo de streaming indica que una pequeña proporción de clientes consume una cantidad desproporcionadamente grande de datos de streaming.
🟦Desde el punto de vista empresarial, esta información podría utilizarse para adaptar las estrategias de marketing y precios a los grandes usuarios de streaming y ofrecerles planes que se ajusten a sus necesidades.
🟦Podemos seguir explorando la relación entre el consumo de datos de streaming y otras columnas, como "Streaming de películas" o "Streaming de TV", para obtener más información sobre el comportamiento y las preferencias de los clientes con respecto al valor de cancelación y la puntuación de satisfacción.
Seguridad Online:
No 564.647
Yes 89.106
La mayoría de los clientes no disponían de Seguridad online a lo largo de los meses.
Online Backup:
No 437.242
Yes 216.511
La mayoría de los clientes no disponían de copia de seguridad en línea a lo largo de los meses.
Método de Pago:
Bank Withdrawal 374.219
Credit Card 231.050
Wallet Balance 48.484
Los clientes prefieren la transferencia bancaria a la tarjeta de crédito.
Hay una diferencia significativa en el número de clientes que utilizan la transferencia bancaria en comparación con la tarjeta de crédito.
Grado de satisfacción del cliente:
3 258.752
4 133.473
5 106.567
1 105.539
2 49.422
🟦La mayoría de los clientes han valorado su satisfacción con una puntuación de 3.
🟦Un número significativo de clientes ha valorado su satisfacción con puntuaciones de 1 y 2.
🟦La puntuación de satisfacción es un parámetro importante para medir la satisfacción y la fidelidad de los clientes.
Es importante investigar por qué un número significativo de clientes ha valorado su satisfacción con puntuaciones más bajas, es decir, 1 y 2.
A partir de la información obtenida de otras columnas, como el tipo de servicio, el tipo de Internet y el plan de protección del dispositivo, podemos analizar si existe una correlación entre estas variables y la satisfacción del cliente.
🟦Los motivos que llevan los clientes abandonar:
Service dissatisfaction 1.555
Lack of self-service on Website 1.547
Attitude of support person 1.535
Moved 1.482
Competitor offered more data 1.481
Competitor had better devices 1.458
Poor expertise of online support 1.445
Product dissatisfaction 1.417
Attitude of service provider 1.410
Long distance charges 1.389
Lack of affordable download/
upload speed 1.381
Competitor made better offer 1.358
Price too high 1.358
Competitor offered higher
download speeds 1.352
Poor expertise of phone support 1.330
Network reliability 1.311
Extra data charges 1.310
Deceased 1.289
Don't know 1.288
Limited range of services 1.275
✔️Bivariate Analysis
Mes & Churn Value:
Month
1 0.364363
2 0.165661
3 0.148359
4 0.069881
5 0.062741
6 0.051062
7 0.018734
8 0.034845
9 0.037511
10 0.042479
11 0.044742
12 0.022639
13 0.037906
14 0.017321
Podemos observar que enero tiene la tasa de abandono más alta con un 36,44%, seguido de febrero con una tasa de abandono del 16,57%. Marzo tiene un porcentaje de bajas del 14,84%, ligeramente inferior al de febrero. A partir de ahí, la tasa de cancelación disminuye de forma constante en los meses restantes, siendo la más baja la de julio, con sólo un 1,87%.
Esto indica que puede haber algunos patrones estacionales en la tasa de abandono de clientes, con la tasa de abandono más alta durante los primeros meses del año y disminuyendo gradualmente hacia el final del año.
Edad & Churn Value:
Calcular la tasa de abandono para cada grupo de edad:
Edad_bucket
<18 0.0
18-24 0.046069
25-34 0.045662
35-49 0.044928
50-64 0.047063
65+ 0.046382
No parece haber una diferencia significativa en las tasas de abandono de los diferentes grupos de edad.
El porcentaje de bajas oscila entre el 4,49% y el 4,71% en los distintos grupos de edad, siendo el más alto el de 50-64 años. Sin embargo, la diferencia entre los grupos de edad es relativamente pequeña, ya que ninguno de ellos es significativamente superior o inferior a los demás.
Esto sugiere que la edad puede no ser un predictor fuerte de la pérdida de clientes por sí sola, y que otras variables pueden ser más importantes para determinar si un cliente cambiará de proveedor o no.
Edad & ARPU:
En general, podemos ver que el ingreso medio por usuario (ARPU) es mayor para los clientes que abandonan en todos los grupos de edad. Esto puede indicar que los clientes que gastan más en el servicio tienen más probabilidades de darse de baja, lo que es motivo de preocupación para la empresa. Podemos ver que las tasas de cancelación de clientes de los distintos grupos de edad son similares, pero el ingreso medio por usuario (ARPU) es mayor para los clientes de más edad que no se dieron de baja. Esto sugiere que los clientes de más edad pueden ser más fieles al producto y menos propensos a cambiarse a un competidor, pero también valoran la consistencia y es menos probable que aumenten su gasto en el producto.
Edad y grado de satisfacción del cliente:
En general, las puntuaciones medias de satisfacción son relativamente similares en todos los grupos de edad, oscilando entre 3,18 y 3,19.
🟦Veamos cuál es el motivo de baja más frecuente en cada grupo de edad.
⤵️
🟢Las principales razones por las que la gente cambia de grupo de edad:
18-24 ['Attitude of support person', 'Competitor offered more data', 'Lack of self-service on Website']
25-34 ['Attitude of support person', 'Lack of self-service on Website', 'Service dissatisfaction']
35-49 ['Lack of self-service on Website', 'Competitor had better devices', 'Service dissatisfaction']
50-64 ['Competitor had better devices', 'Service dissatisfaction', 'Moved']
65+ ["Don't know", 'Attitude of support person', 'Competitor offered more data']
Los motivos más comunes de abandono están relacionados con la insatisfacción con el servicio prestado por la empresa, seguida de la competencia de otros proveedores de servicios para captar clientes en todos los grupos de edad.
La actitud del personal de atención al cliente fue una de las principales razones de abandono en todos los grupos de edad. La empresa podría invertir en la formación de su personal de asistencia para ofrecer un mejor servicio al cliente y centrarse en atender las quejas de los clientes con profesionalidad y eficacia.
La competencia, que ofrecía mejores dispositivos y más datos, fue una de las principales razones de abandono en los grupos de edad de 35 a 49 años y de 65 en adelante. La empresa podría plantearse ofrecer ofertas y promociones competitivas para retener a los clientes y atraer a otros nuevos.
La falta de autoservicio en el sitio web fue un motivo común de pérdida de clientes en los grupos de 18-24 y 25-34 años, y también fue un factor que contribuyó en el grupo de 35-49 años. La empresa podría mejorar su sitio web y su aplicación móvil para ofrecer más opciones de autoservicio, como la gestión de cuentas y el pago de facturas, para facilitar a los clientes la gestión de sus cuentas.
ARPU Negativo:
El hecho de que el 17% de las personas tengan arpu negativo significa que una proporción significativa de la base de clientes no está generando ingresos para la empresa de telecomunicaciones.
Esto podría deberse a varias razones, como cuentas inactivas, cuentas morosas o cuentas con saldos pendientes.
Para comprender mejor esta cuestión, podemos investigar otras variables que pueden estar relacionadas con la arpu negativa, como el estado de churn. También podemos examinar la distribución de los valores de arpu negativo entre distintos grupos demográficos, como la edad, el sexo y la ubicación, para ver si hay algún patrón o tendencia.
Además, podemos explorar si existe alguna correlación entre la arpu negativa y otras variables, como los patrones de uso, las suscripciones a servicios y las puntuaciones de satisfacción de los clientes, para comprender cuál es la causa de este comportamiento.
En general, es necesario seguir investigando para comprender plenamente las implicaciones de la arpu negativa para la empresa de telecomunicaciones. 🔽
🟢El 95,2% de los clientes con ARPU negativo no se dieron de baja, mientras que sólo el 4,8% de los clientes con ARPU negativo se dieron de baja. Esto sugiere que tener un ARPU negativo no es necesariamente un fuerte predictor de bajas. Sin embargo, se necesitan más análisis para comprender plenamente la relación entre el ARPU negativo y la pérdida de clientes. Otros factores, como los patrones de uso, las suscripciones a servicios y la satisfacción del cliente, también pueden influir a la hora de predecir las bajas. Es posible que el ARPU negativo sea el resultado del dinero gastado por la empresa para retener a los clientes, pero el ARPU negativo también podría ser el resultado de otros factores, como cuentas que han estado inactivas durante mucho tiempo o cuentas morosas con saldos pendientes. Además, el 4,8% de los clientes con ARPU negativo que se dieron de baja pueden haberlo hecho por motivos como encontrar una oferta mejor en otro sitio.
Número de clientes con ARPU negativo que se han dado de baja: 5610
Puntuación media de satisfacción del cliente: 2,0
La puntuación media de satisfacción de los clientes dados de baja con ARPU negativo es de 2, lo que sugiere que estos clientes no estaban satisfechos con los servicios prestados por la empresa de telecomunicaciones.
🟢Esto podría significar que la empresa necesita mejorar sus servicios y asistencia para retener a sus clientes.
La distribución de los motivos de abandono es bastante similar, lo que dificulta sacar conclusiones claras. Sin embargo, podemos hacer algunas observaciones.
El motivo más común es "Desconocido", lo que podría sugerir que la empresa necesita hacer un mejor trabajo de seguimiento y comprensión del comportamiento de los clientes y de las razones para darse de baja.
Otros motivos comunes de abandono son el precio, la insatisfacción con el servicio y la fiabilidad de la red, lo que podría indicar que la empresa necesita centrarse en mejorar la calidad de su servicio y ofrecer precios competitivos para retener a los clientes.
El hecho de que muchos clientes citaran las ofertas de la competencia como motivo para darse de baja sugiere que la empresa puede necesitar hacer un mejor trabajo para diferenciarse en el mercado.
La presencia de motivos inusuales como "43tgeh" con sólo 16 recuentos podría indicar errores de introducción de datos o valores atípicos que deberían investigarse y corregirse.
ARPU 4G y Churn:
ARPU 4G y Data Usage:
Según el boxplot del ARPU de la red 4G frente al uso total de datos en la red 4G, podemos observar que hay algunos valores atípicos en la esquina superior izquierda del gráfico. Estos valores atípicos indican que hay algunos clientes que tienen un ARPU alto a pesar del bajo uso total de datos en la red 4G.
Una posible explicación de esta observación podría ser que estos clientes utilizan otros servicios además de los datos, como voz y mensajería, que no se miden en este análisis. Además, podrían estar suscritos a servicios premium, que se cobran a una tarifa más alta que el uso normal de datos.
Otra posible explicación podría ser que estos clientes tienen un plan de datos fijo, lo que significa que se les cobra una cantidad fija de dinero independientemente de su uso real de datos. En este caso, su elevado ARPU podría deberse a cargos adicionales por servicios distintos de los datos.
Por otro lado, también podemos observar que hay algunos clientes con un elevado uso total de datos en la red 4G pero un ARPU bajo. Esto podría deberse a varias razones, como el escaso uso de otros servicios, la elección de planes de datos más baratos o el uso de otras redes para servicios que no se prestan en la red 4G.
Churn Value e Importe total de la recarga:
Al parecer, los clientes que cambiaron de operador tenían un importe total de recarga superior al de los clientes que no cambiaron de operador. Esta observación sugiere que la cantidad de dinero que un cliente gasta en recargas puede ser un factor significativo en su decisión de darse de baja.
Esta observación puede aportar información valiosa para la empresa. Si los clientes que se dan de baja tienen un importe total de recarga más elevado, podría significar que no están satisfechos con la calidad o el valor de los servicios prestados por la empresa, aunque gasten más dinero. Por lo tanto, es posible que la empresa tenga que investigar y abordar los motivos de la insatisfacción para retener a los clientes de alto valor.
Además, la observación de que los clientes que cambiaron de proveedor tenían un importe total de recarga más elevado sugiere que identificar y centrar los esfuerzos de retención en los clientes de alto valor puede ser una estrategia eficaz.
🟢Al centrarse en retener a los clientes que gastan más dinero, la empresa puede mejorar potencialmente sus ingresos y rentabilidad globales.
Streaming Movies & Churn:
La empresa podría centrarse en aumentar el porcentaje de clientes que utilizan películas en streaming mejorando la calidad del servicio u ofreciendo promociones.
La empresa puede querer investigar por qué un porcentaje tan elevado de clientes no utiliza el servicio de streaming de películas y abordar cualquier preocupación o problema que pueda estar impidiendo que utilicen el servicio, entender por qué y recomendar medidas.
✔️Multivariate Analysis
Relación entre arpu, grado de satisfacción y churn value:
Según el diagrama de dispersión, podemos observar que los clientes que han abandonado se concentran sobre todo en el cuadrante superior izquierdo, donde su puntuación de satisfacción es baja pero sus ingresos medios por usuario (arpu) son altos. Esto indica que, a pesar de generar ingresos elevados, los clientes no están satisfechos con el servicio prestado y, por tanto, es probable que se den de baja.
Por otro lado, los clientes que están satisfechos con el servicio y tienen menos probabilidades de darse de baja se concentran sobre todo en el cuadrante inferior derecho, donde su puntuación de satisfacción es alta y su arpu es comparativamente baja.
🟢La empresa de telecomunicaciones puede utilizar esta información para centrarse en mejorar la puntuación de satisfacción de los clientes, ya que es un factor clave para retenerlos. Podrían analizar las razones de la baja puntuación de satisfacción de los clientes que pagan más y tomar medidas para mejorar su experiencia general. Esto podría incluir proporcionar una mejor cobertura de red, ofrecer planes personalizados, mejorar el servicio de atención al cliente o proporcionar incentivos a los clientes fieles.
Correlación:
(El coeficiente de correlación se utiliza para medir la fuerza de la relación entre dos variables. Indica que cuando cambia el valor de una variable, la otra cambia en una dirección específica con cierta magnitud.)
Pares de variables altamente correlacionadas:
loc_og_t2f and loc_og_t2t
std_og_t2m and loc_og_t2c
std_og_t2m and std_og_t2t
std_og_t2f and roam_ic
std_og_t2f and loc_og_t2m
isd_og and std_og_t2t
isd_og and std_og_t2m
spl_og and loc_og_t2t
spl_og and loc_og_t2f
og_others and roam_ic
og_others and loc_og_t2m
og_others and std_og_t2f
loc_ic_t2m and roam_ic
loc_ic_t2m and std_og_t2f
loc_ic_t2m and og_others
loc_ic_t2m and loc_ic_t2t
loc_ic_t2f and loc_ic_t2m
std_ic_t2t and loc_og_t2t
std_ic_t2t and spl_og
std_ic_t2m and loc_ic_t2m
std_ic_t2m and loc_ic_t2f
std_ic_t2f and og_others
std_ic_t2f and loc_ic_t2t
std_ic_t2f and loc_ic_t2m
std_ic_t2f and loc_ic_t2f
std_ic_t2f and std_ic_t2m
spl_ic and std_og_t2t
isd_ic and loc_og_t2t
isd_ic and loc_og_t2f
isd_ic and spl_og
isd_ic and std_ic_t2t
ic_others and std_og_t2m
🟢Recomendaciones:
⚡La empresa debe centrarse en mejorar su atención al cliente y sus servicios para reducir las tasas de abandono y aumentar la satisfacción de los clientes.
⚡La empresa debería utilizar los patrones demográficos y de uso de sus clientes para crear campañas de marketing dirigidas que tengan más probabilidades de resonar en segmentos específicos de clientes.
⚡La empresa debe considerar la posibilidad de ofrecer incentivos a los clientes que recomienden sus servicios a amigos, ya que esto puede aumentar la fidelidad de los clientes y atraer a otros nuevos.
⚡La empresa debe explorar formas de aumentar los ingresos de los clientes que generan menos ingresos, por ejemplo ofreciendo promociones específicas o mejoras del servicio.
⚡La empresa debe seguir controlando su puntuación de satisfacción del cliente y tomar medidas para mejorarla.