🏋️‍♂️ Análisis de Churn en Gimnasios - Model Fitness

📋 Proyecto en Resumen

Análisis predictivo de cancelaciones de clientes en gimnasios usando Machine Learning. Desarrollo de modelos para identificar clientes en riesgo y estrategias de retención basadas en segmentación inteligente de usuarios.

✅ Resultados Clave

• 🎯 92% de precisión en predicción de cancelaciones con Random Forest
• 👥 5 segmentos únicos de clientes identificados mediante K-means clustering
• 📊 4,000+ registros de clientes analizados con 15 variables predictivas
• ⚡ Sistema de alertas tempranas para prevenir churn implementado
• 📈 Insights accionables para estrategias de retención personalizadas

🛠️ Stack Técnico

🌟 Ver el Proyecto

🎨 Demo Interactiva	📓 Análisis Completo
Ver Demo →	Ver Notebook →
Resumen visual ejecutivo	Código y análisis detallado

📁 Estructura del Proyecto

customer-churn-analysis/
├── 📊 customer-churn-analysis.ipynb           # Notebook principal
├── 📁 docs/
│   ├── 🎨 demo.html                        # Página demo
│   └── 📄 index.html                       # Notebook en HTML
├── 📖 README.md                            # Este archivo
└── � GUIA_RAPIDA.md                       # Guía de publicación

🔍 Principales Insights

📊 Factores de Retención

• Contratos largos: Clientes con contratos anuales tienen 40% menos probabilidad de cancelar
• Clases grupales: Participación aumenta retención en 35%
• Gastos adicionales: Correlación positiva con lealtad del cliente

🎯 Segmentación de Clientes

1. 💎 VIP Premium - Alta frecuencia, gastos altos
2. 🏃‍♂️ Fitness Enthusiasts - Uso regular, participación grupal
3. 💼 Corporate Partners - Empleados de empresas asociadas
4. 🆕 Nuevos Miembros - Menos de 3 meses de antigüedad
5. ⚠️ En Riesgo - Baja frecuencia, contratos cortos

🔬 Metodología

1. 📥 Carga y Limpieza - Procesamiento de 4,000+ registros
2. 🔍 EDA - Análisis exploratorio y visualizaciones
3. 🤖 Machine Learning - Entrenamiento de modelos predictivos
4. 📊 Clustering - Segmentación con K-means
5. 📈 Insights - Extracción de patrones y recomendaciones

🚀 Cómo Usar

Opción 1: Ver Online

• Demo: Página interactiva
• Análisis: Notebook completo

Opción 2: Ejecutar Localmente

git clone https://github.com/Armando8a-dev/customer-churn-analysis.git
cd customer-churn-analysis
pip install pandas numpy matplotlib seaborn scikit-learn jupyter
jupyter notebook customer-churn-analysis.ipynb

📞 Contacto

👨‍💻 Armando Ochoa
Data Analyst | Machine Learning Engineer

---

⭐ ¿Te gustó el proyecto? ¡Dale una estrella al repositorio!