📊 Telecom Customer Segmentation Analysis

Análisis de comportamiento de clientes usando Machine Learning

---

🎯 Proyecto en Resumen

Analicé 53,902 registros de llamadas de 307 clientes de una empresa de telefonía virtual para identificar patrones de comportamiento y segmentar clientes automáticamente usando técnicas de machine learning.

� Resultados Clave

• ✅ 63% clientes de alto valor identificados
• ✅ 98 clientes en riesgo crítico detectados
• ✅ 81.5% eficiencia operacional (supera benchmark)
• ✅ $2.4M revenue analizado
• ✅ 4 segmentos distintos de comportamiento

🛠️ Stack Técnico

Python Pandas Scikit-learn Matplotlib Seaborn Jupyter

---

📖 Descripción Completa

Este proyecto analiza el comportamiento de clientes de CallMeMaybe, un servicio de telefonía virtual, para identificar operadores ineficaces y segmentar usuarios mediante análisis exploratorio de datos y técnicas de machine learning.

---

🚀 Ver el Proyecto

🎨 Demo Interactiva

Página visual con resultados principales y métricas clave

📓 Análisis Completo

Notebook completo con código, gráficos y conclusiones

---

� Estructura del Proyecto

customer-segmentation-data/
│
├── customer-segmentation-data.ipynb    # 📓 Análisis principal
├── tableau_preparation.py              # 🐍 Preparación de datos
├── README.md                           # 📖 Este archivo
├── requirements.txt                    # 📦 Dependencias
│
├── data/                               # 📊 Datasets
│   ├── telecom_llamadas_detalle.csv
│   ├── telecom_operadores.csv
│   ├── telecom_usuarios_metricas.csv
│   └── [más datasets...]
│
└── docs/                               # 🌐 GitHub Pages
    ├── demo.html                       # ✨ Página demo
    └── index.html                      # 📓 Notebook HTML

---

� Principales Insights

📊 Segmentación

• 193 clientes (63%) - Uso muy alto (core del negocio)
• 34 clientes (11%) - Uso alto (potencial de crecimiento)
• 55 clientes (18%) - Uso moderado (requiere engagement)
• 25 clientes (8%) - Bajo uso (riesgo de churn)

💰 Financiero

• Revenue total estimado: $2.4 millones
• Plan más popular: Plan C (52% adopción)
• Cliente de mayor valor: $207,026

⚡ Operacional

• Eficiencia promedio: 81.5% (supera benchmark 75%)
• Clientes en riesgo crítico: 98 (32% del total)
• Operadores que necesitan capacitación: 96

---

🔬 Metodología

1. Limpieza de Datos - Tratamiento de nulos y duplicados
2. Feature Engineering - Creación de métricas calculadas
3. EDA - Análisis exploratorio con visualizaciones
4. Clustering - K-Means para segmentación automática
5. Validación - Pruebas estadísticas de hipótesis

---

� Cómo Usar Este Proyecto

Instalación

# Clonar repositorio
git clone https://github.com/Armando8a-dev/customer-segmentation-data.git

# Instalar dependencias
pip install -r requirements.txt

# Abrir notebook
jupyter notebook customer-segmentation-data.ipynb

Ver Online (Sin Instalación)

👉 Demo Visual
� Análisis Completo

---

📧 Contacto

Armando Ochoa - Data Analyst

• 💼 LinkedIn: tu-linkedin
• 🐙 GitHub: @Armando8a-dev
• 📧 Email: tu-email

---

⭐ Si este proyecto te resultó útil, considera darle una estrella

---

_{Proyecto creado con ❤️ usando Python y Jupyter | 2025}