Skip to content

Latest commit

 

History

History
58 lines (32 loc) · 4.02 KB

README.md

File metadata and controls

58 lines (32 loc) · 4.02 KB

Análise de Churn em Assinaturas - Relatório e Código

Introdução

Este projeto foi realizado por João Paula e visa oferecer insights sobre o aumento no churn em assinaturas da Petlove por meio de uma análise detalhada dos dados. Utilizando Python e bibliotecas como pandas, matplotlib, seaborn e scikit-learn, exploramos o arquivo data-test-analytics_5.csv. É essencial ter esse arquivo para a execução da análise.

Aprendizados-chave da Análise de Dados

1. Exploração Geral dos Dados

  • Distribuições: Analisamos as distribuições de métricas cruciais, como average_ticket, items_quantity, all_revenue, all_orders, e recency. Destacamos a variabilidade em recency, indicando comportamentos distintos ao longo do tempo.

  • Marketing Source: Realizamos uma contagem da origem de marketing para identificar as fontes predominantes de aquisição de clientes, fornecendo insights sobre estratégias de aquisição.

2. Análise de Churn

  • Taxa de Churn: Calculamos a taxa de churn, revelando uma parcela significativa de clientes que pausam as assinaturas. Essa descoberta destaca a necessidade de compreender os motivos subjacentes a essas pausas.

  • Agrupamento por Status: Calculamos as médias de métricas numéricas para clientes ativos e pausados, destacando disparidades notáveis. Isso sugere que clientes pausados podem apresentar comportamentos distintos.

  • Taxa de Churn por Origem de Marketing: Identificamos origens de marketing com taxas de churn mais altas, indicando a necessidade de uma análise mais aprofundada para entender possíveis problemas nessas fontes.

  • Correlação com Recência: Exploramos a correlação média entre recência e status de churn, indicando que clientes que pausam assinaturas tendem a ter uma recência diferente em comparação com clientes ativos.

3. Matriz de Correlação

  • Geramos uma matriz de correlação para destacar relações lineares entre variáveis numéricas. A correlação entre average_ticket e all_revenue sugere uma possível relação proporcional.

Próximos Passos Sugeridos

Com base nos insights obtidos, sugerimos as seguintes ações para a equipe de negócios:

  1. Aprimoramento da Experiência do Cliente:

    • Investir em melhorias na experiência do cliente, especialmente em áreas identificadas com maior churn, para aumentar a satisfação e engajamento.

  2. Análise Detalhada de Origens de Marketing:

    • Realizar uma análise mais detalhada das origens de marketing com taxas de churn mais altas para entender os desafios específicos em cada canal e otimizar estratégias de aquisição.

  3. Incentivos e Benefícios:

    • Introduzir programas de incentivo e benefícios direcionados a clientes mais antigos, visando aumentar a lealdade e reduzir o churn.

  4. Monitoramento Contínuo:

    • Estabelecer um sistema de monitoramento contínuo para identificar tendências de churn em tempo real e permitir intervenções proativas, especialmente em períodos críticos.

  5. Pesquisa de Satisfação:

    • Realizar pesquisas de satisfação para entender as necessidades e expectativas dos clientes, utilizando esses insights para melhorar os serviços de acordo com as preferências do público-alvo.

Estrutura do Código

O código está organizado em seções correspondentes às etapas da análise, facilitando a compreensão e replicação do processo. As visualizações são apresentadas de forma clara, auxiliando na interpretação dos resultados.

Conclusão

Este projeto oferece uma visão aprofundada dos fatores que contribuem para o aumento no churn em assinaturas da Petlove. As sugestões fornecidas são baseadas em insights extraídos da análise de dados e destinam-se a orientar a equipe na implementação de estratégias eficazes para redução do churn. A abordagem transparente e documentada visa facilitar a colaboração e garantir a compreensão da análise realizada.

Autor: João Paula

Link para o Colab