#!/usr/bin/env python
# coding: utf-8

# # Análise de Dados de Empresa de Telecomunicações

# ## Entendendo a Situação Atual

# Você é um Analista de Dados em uma empresa de telecomunicações que fornece serviços de internet e telefonia. Recentemente, você teve acesso a dados históricos que indicam que a empresa perdeu 26% dos seus clientes nos últimos trimestres. Essa perda significativa de clientes impactou negativamente as finanças da empresa, gerando um prejuízo de milhões de reais.

# ## Desafio

# O seu próximo desafio como Analista de Dados é identificar a principal causa do problema, para que você possa propor um plano de ação para resolvê-lo.

# ## Base de Dados

# Este é o link do Google Drive para a base de dados que será analisada:
# 
# - https://drive.google.com/drive/folders/1T7D0BlWkNuy_MDpUHuBG44kT80EmRYIs?usp=sharing
# 
# Este é o link original no Kaggle:
# - https://www.kaggle.com/radmirzosimov/telecom-users-dataset

# ## Divisão do Problema

# 1. Importar a base de dados com o pandas
# 2. Visualizar a base de dados
#     1. Identificar quais informações estão disponíveis
#     2. Identificar dados problemáticos
# 3. Tratar os dados
#     1. Converter os valores para os tipos de dados corretos
#     2. Eliminar valores vazios (informações que não ajudam, atrapalham)
# 4. Analisar os dados parcialmente
# 5. Analisar os dados de forma completa

# ### Importar a Base de Dados

# In[1]:


# Importa o pandas com o apelido pd
import pandas as pd

# Importa o arquivo
df_clientes = pd.read_csv('telecom_users.csv')


# ### Visualizar a Base de Dados

# In[2]:


# Exibe o dataframe
df_clientes


# #### Identificar Informações Disponíveis

# In[3]:


df_clientes.info()


# #### Identificar Dados Problemáticos

# - A primeira coluna contém dados que não nos interessam
# - A última coluna é de valores vazios
# - A coluna de total gasto contém valores numéricos formatados como textos
# - As colunas Dependentes e Churn contém cada uma um valor vazio

# ### Tratar os Dados
# #### Remover Colunas Irrelevantes

# In[4]:


# Remove a coluna Unnamed: 0
df_clientes.drop('Unnamed: 0', axis='columns', inplace=True)

# Exibe o dataframe
display(df_clientes)


# #### Converter os Dados para os Tipos Corretos

# In[5]:


# Converte os dados da coluna Total Gasto para float
df_clientes['TotalGasto'] = pd.to_numeric(df_clientes['TotalGasto'], errors='coerce')

# Obtém informações do dataframe
df_clientes.info()


# Com este novo dataframe, notamos que a coluna **TotalGasto** possuía 10 linhas com dados incorretos (textos). Por isso, eles foram removidos.

# #### Remover Colunas e Linhas com Valores Vazios

# In[6]:


# Remove todas as colunas que só possuem valores vazios
df_clientes.dropna(how='all', axis='columns', inplace=True)

# Remove as linhas que contém pelo menos um valor vazio
df_clientes.dropna(how='any', axis='index', inplace=True)

# Exibe o dataframe
df_clientes


# In[7]:


df_clientes.info()


# ### Análise Inicial

# In[8]:


# Exibe uma contagem dos valores únicos da coluna Churn
df_clientes['Churn'].value_counts()


# In[9]:


# Exibe a distribuição percentual dos valores únicos da coluna Churn
df_clientes['Churn'].value_counts(normalize=True)


# Com esta análise inicial, concluímos que informação de que 26% dos clientes cancelaram o serviço estava correta mesmo.

# ### Análise Completa

# Esta etapa envolve a criação de gráficos para podermos relacionar a coluna **Churn** com as demais colunas.

# In[10]:


# Importa o plotly
import plotly.express as px
from plotly.offline import init_notebook_mode, iplot

init_notebook_mode(connected=True)


# In[11]:


# Percorre a lista de colunas da tabela, comparando-as com a coluna Churn
for coluna in df_clientes.columns:
    if coluna == 'IDCliente' or coluna == 'Churn':
        continue
    
    # Cria o histograma
    grafico = px.histogram(df_clientes, x=coluna, color='Churn')

    # Exibe o gráfico
    grafico.show()


# ## Constatações

# Analisando os gráficos, foi possível chegar as seguintes conclusões:
# 
# - Clientes com contrato mensal tem maior chance de cancelar os serviços da empresa
# - Famílias maiores tendem a cancelar menos que as menores
# - A categoria de clientes novatos concentra as maiores proporções de clientes que cancelam os contratos
#     - A experiência inicial do cliente pode estar sendo ruim
#     - A empresa está captando cliente desqualificados
# - Clientes que possuem menos serviços contratados tendem a cancelar mais
# - O serviço de internet com fibra óptica apresenta uma taxa de cancelamento expressiva
# - Clientes que pagam suas faturas no boleto cancelam mais
# 

# ## Sugestões de Ações

# - Criar promoções para os clientes dos planos mensais migrarem para os planos anuais
# - Criar promoções para o cliente contratar linhas adicionais
# - Criar incentivos para o cliente a cada mês
# - Oferecer serviços adicionais gratuitamente ou por um preço simbólico
# - Comparar os preços dos nossos planos com os da concorrência e ajustá-los
# - Criar incentivos para os clientes migrarem para as formas de pagamento que têm menor taxa de cancelamento