Home

Predictive Churn Analysis — Wiki

🇬🇧 English first · 🇪🇸 Español más abajo.

A logistic-regression classifier that flags which subscription customers are about to cancel — and, through its coefficients, says why. The results are exported as JSON and rendered in an interactive dashboard.

Repo: mindset-code/project-churn-analysis Live: proyectos-mindset-code.web.app/churn

---

Pages in this wiki

• Modelo de ML — model, split and metrics
• Datos y features — how the dataset is generated and which features feed the model
• Dashboard interactivo — the JSON contract and the components that consume it

---

Full pipeline

flowchart LR
    A["generate_data.py<br/>2.000 synthetic customers"] --> B["churn_data.csv"]
    B --> C["One-hot on SubscriptionType"]
    C --> D["Stratified split 75/25"]
    D --> E["StandardScaler"]
    E --> F["LogisticRegression<br/>class_weight='balanced'"]
    F --> G["Metrics + coefficients"]
    G --> H["7 JSON files in data/"]
    H --> I["React dashboard<br/>in project-portfolio"]

Loading

The two halves live in different repositories on purpose: this repo holds the analysis (two Python scripts, no framework), and project-portfolio holds the React app that reads the JSON files under public/data/churn/.

---

Stack

Layer	Technology
Data	Python · NumPy · pandas — the dataset is generated, not downloaded
ML	scikit-learn — LogisticRegression, StandardScaler, train_test_split
Evaluation	accuracy · precision · recall · F1 · AUC-ROC · confusion matrix
Charts	seaborn + matplotlib (PNG) · Recharts (web)
Hosting	Firebase Hosting, served by project-portfolio

Why logistic regression and not something heavier

The goal is not to squeeze out the last point of accuracy: it is to be able to say which lever moves churn. A logistic regression gives one coefficient per feature, with a sign and a magnitude, on comparable scales because the features are standardised first. A gradient boosting would probably score higher and would not answer the question the project exists to answer.

class_weight='balanced' is there because the classes are not even: without it the model gets a good accuracy by rarely predicting churn, which is precisely the case that matters.

---

🇪🇸 Español

Un clasificador de regresión logística que señala qué clientes de suscripción están a punto de cancelar y, a través de sus coeficientes, dice por qué. Los resultados se exportan como JSON y se pintan en un cuadro de mando interactivo.

Repo: mindset-code/project-churn-analysis Live: proyectos-mindset-code.web.app/churn

---

Páginas de esta wiki

• Modelo de ML — modelo, partición y métricas
• Datos y features — cómo se genera el dataset y qué features entran al modelo
• Dashboard interactivo — el contrato JSON y los componentes que lo consumen

---

Pipeline completo

Ver el diagrama de arriba. En texto: generate_data.py crea 2.000 clientes sintéticos y los deja en churn_data.csv; churn_analysis.py convierte el tipo de suscripción en variables ficticias, parte los datos en 75/25 de forma estratificada, estandariza, entrena la regresión logística y escribe siete ficheros JSON en data/. El cuadro de mando de React los lee desde otro repositorio.

Las dos mitades viven en repositorios distintos a propósito: aquí está el análisis (dos scripts de Python, sin framework) y en project-portfolio está la aplicación de React que lee los JSON de public/data/churn/.

---

Stack

Capa	Tecnología
Datos	Python · NumPy · pandas — el dataset se genera, no se descarga
ML	scikit-learn — LogisticRegression, StandardScaler, train_test_split
Evaluación	accuracy · precisión · recall · F1 · AUC-ROC · matriz de confusión
Gráficos	seaborn + matplotlib (PNG) · Recharts (web)
Hosting	Firebase Hosting, servido por project-portfolio

Por qué una regresión logística y no algo más pesado

El objetivo no es exprimir el último punto de acierto: es poder decir qué palanca mueve la cancelación. Una regresión logística da un coeficiente por variable, con signo y magnitud, en escalas comparables porque antes se estandarizan las variables. Un gradient boosting probablemente puntuaría más alto y no respondería a la pregunta por la que existe el proyecto.

class_weight='balanced' está porque las clases no están igualadas: sin eso el modelo saca buen acierto global sin apenas predecir cancelaciones, que es justamente el caso que importa.