Data Science portfolio project · Python · scikit-learn · Logistic Regression Status: Finished · Live on portfolio An end-to-end churn-prediction pipeline — from synthetic data to a trained, evaluated model and an interactive dashboard — that identifies which customers are about to leave and why.
🇬🇧 English version first. · 🇪🇸 La versión en español está más abajo → ir a Español.
Acquiring a customer costs far more than keeping one — so the most valuable question a subscription business can answer is "who is about to churn, and what's driving it?" This project builds the machine-learning pipeline that answers it: it predicts churn probability per customer and surfaces the business drivers behind the prediction, giving retention teams actionable lead time instead of a post-mortem.
It demonstrates the full data-science workflow — data generation, preprocessing, handling class imbalance, model training, rigorous evaluation, and communicating results — connecting Data Science directly to Revenue Operations.
▶ Live dashboard: proyectos-mindset-code.web.app/churn
| Metric | Value |
|---|---|
| AUC-ROC | 0.703 |
| Accuracy | 64.0% |
| Recall (churn) | 0.615 |
| Precision (churn) | 0.205 |
Every figure here comes out of python churn_analysis.py on the committed dataset, and the script writes them into analysis_results.md and data/*.json so they cannot drift from the code.
AUC-ROC is the headline because the classes are imbalanced: 13.1% of customers churn, so a model that predicted "nobody leaves" would score 86.9% accuracy while being useless. Read the two class metrics together:
- Recall 0.615 — it catches 3 of every 5 customers who do leave.
- Precision 0.205 — but 4 of every 5 it flags were not going to leave.
That trade is deliberate: class_weight='balanced' moves the threshold towards catching leavers, because a retention call to someone who was staying costs far less than losing a customer nobody called. Whether it is the right trade depends on what that call costs, and this repository does not model that.
- Data —
generate_data.pybuilds a synthetic, labelled customer dataset. - Preprocessing — one-hot encoding of
SubscriptionType, feature selection,StandardScalernormalization. - Class imbalance —
class_weight='balanced'+ a stratified train/test split so the minority (churned) class isn't drowned out. - Model —
LogisticRegression(max_iter=1000,random_state=42) — chosen for interpretability: coefficients map directly to business drivers. - Evaluation — accuracy, precision/recall, ROC-AUC and a confusion matrix (
confusion_matrix.png).
Features: Age · MonthlyCharges · TotalUsageHours · SupportTickets · ContractDuration · TenureMonths · NumProducts · SubscriptionType.
- Short contract duration is the strongest churn predictor — month-to-month customers churn well above annual subscribers.
- High support-ticket volume signals unresolved friction and imminent churn.
- Low product engagement (usage hours) precedes churn — the earliest warning sign.
| Layer | Technology |
|---|---|
| Language | Python 3.12 |
| ML | scikit-learn (LogisticRegression, StandardScaler) |
| Data | Pandas · NumPy |
| Visualization | Matplotlib · Seaborn · React (dashboard) |
git clone https://github.com/mindset-code/project-churn-analysis.git
cd project-churn-analysis
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
python generate_data.py # build the synthetic dataset
python churn_analysis.py # train, evaluate, export metrics + confusion_matrix.pngproject-churn-analysis/
├── churn_analysis.py # full pipeline: preprocessing → model → metrics
├── generate_data.py # synthetic dataset generator
├── confusion_matrix.png # model evaluation output
├── requirements.txt # Python dependencies
├── LICENSE # MIT
└── README.md
Released under the MIT License.
- Portfolio: proyectos-mindset-code.web.app
- Web: mindset-code.com
- Email: contacto@mindset-code.com
Proyecto de portafolio de Data Science · Python · scikit-learn · Regresión Logística Estado: Terminado · Publicado en el portafolio Pipeline de predicción de churn de extremo a extremo —de los datos sintéticos a un modelo entrenado y evaluado y un dashboard interactivo— que identifica qué clientes están a punto de irse y por qué.
🇪🇸 Traducción al español. La versión en inglés está al inicio → ir a English.
Captar un cliente cuesta mucho más que retenerlo — así que la pregunta más valiosa para un negocio de suscripción es "¿quién está a punto de irse y qué lo provoca?". Este proyecto construye el pipeline de machine learning que la responde: predice la probabilidad de churn por cliente y expone los drivers de negocio detrás de la predicción, dando a los equipos de retención tiempo para actuar en lugar de una autopsia.
Demuestra el flujo completo de data science —generación de datos, preprocesamiento, manejo de clases desbalanceadas, entrenamiento, evaluación rigurosa y comunicación de resultados— conectando Data Science directamente con Revenue Operations.
▶ Dashboard en vivo: proyectos-mindset-code.web.app/churn
| Métrica | Valor |
|---|---|
| AUC-ROC | 0,703 |
| Accuracy | 64,0 % |
| Recall (churn) | 0,615 |
| Precisión (churn) | 0,205 |
Todas estas cifras salen de ejecutar python churn_analysis.py sobre el dataset commiteado, y el script las escribe en analysis_results.md y en data/*.json para que no puedan separarse del código.
El AUC-ROC es la métrica principal porque las clases están desbalanceadas: se va el 13,1 % de los clientes, así que un modelo que predijera «no se va nadie» sacaría un 86,9 % de accuracy siendo inútil. Las dos métricas de clase se leen juntas:
- Recall 0,615 — caza a 3 de cada 5 clientes que efectivamente se van.
- Precisión 0,205 — pero 4 de cada 5 a los que señala no se iban a ir.
Ese intercambio es deliberado: class_weight='balanced' mueve el umbral hacia cazar a los que se van, porque una llamada de retención a alguien que se quedaba cuesta mucho menos que perder a un cliente al que nadie llamó. Si es el intercambio correcto depende de lo que cueste esa llamada, y este repositorio no modela eso.
- Datos —
generate_data.pygenera un dataset sintético etiquetado de clientes. - Preprocesamiento — one-hot encoding de
SubscriptionType, selección de features, normalización conStandardScaler. - Desbalanceo —
class_weight='balanced'+ split estratificado para que la clase minoritaria (churned) no se diluya. - Modelo —
LogisticRegression(max_iter=1000,random_state=42) — elegido por interpretabilidad: los coeficientes mapean directamente a drivers de negocio. - Evaluación — accuracy, precisión/recall, ROC-AUC y matriz de confusión (
confusion_matrix.png).
Features: Age · MonthlyCharges · TotalUsageHours · SupportTickets · ContractDuration · TenureMonths · NumProducts · SubscriptionType.
- La duración corta de contrato es el predictor más fuerte — los clientes mes a mes churnan muy por encima de los anuales.
- El alto volumen de tickets de soporte señala fricción no resuelta y churn inminente.
- El bajo engagement (horas de uso) precede al churn — la señal de alerta más temprana.
| Capa | Tecnología |
|---|---|
| Lenguaje | Python 3.12 |
| ML | scikit-learn (LogisticRegression, StandardScaler) |
| Datos | Pandas · NumPy |
| Visualización | Matplotlib · Seaborn · React (dashboard) |
git clone https://github.com/mindset-code/project-churn-analysis.git
cd project-churn-analysis
python -m venv .venv && source .venv/bin/activate
pip install -r requirements.txt
python generate_data.py # genera el dataset sintético
python churn_analysis.py # entrena, evalúa y exporta métricas + confusion_matrix.pngproject-churn-analysis/
├── churn_analysis.py # pipeline completo: preprocesamiento → modelo → métricas
├── generate_data.py # generador de dataset sintético
├── confusion_matrix.png # salida de evaluación del modelo
├── requirements.txt # dependencias Python
├── LICENSE # MIT
└── README.md
Publicado bajo la Licencia MIT.
- Portafolio: proyectos-mindset-code.web.app
- Web: mindset-code.com
- Email: contacto@mindset-code.com
Mindset & Code · asesoría fiscal y tecnológica · mindset-code.com