El churn que no era
Cada mes suelto un dataset con trampas de verdad: no trampas de examen, sino de las que me he encontrado construyendo mis propios proyectos. Este mes he escondido dos en un caso de fuga de clientes. Si las cazas, ya piensas como alguien que ha sufrido una fuga de datos.
Solución: a fin de mesEl dataset
60 clientes de una app de suscripción, con seis columnas: user_id, plan (basic, pro o team), days_active (antigüedad de la cuenta en días), support_tickets (tickets de soporte abiertos), last_login_days (días desde el último login) y churned (1 si se dio de baja, 0 si sigue activo). Descárgalo, ábrelo en pandas y mira antes de tocar nada.
Descargar el dataset (CSV)Un CSV pequeño, listo para pandas.read_csv(). Nada de registrarse ni pedir nada.
Las preguntas
- 01
¿Qué accuracy saca un modelo tonto que predice siempre "este cliente no se va"? Calcúlalo antes de entrenar nada: es tu suelo de referencia.
- 02
Una de las columnas es una fuga de información del futuro, medida después de que ocurriera lo que quieres predecir. ¿Cuál es y por qué es tramposa?
- 03
¿Cuántas filas del CSV son duplicados exactos? Si el split train/test se hace antes de detectarlas, ¿qué le pasa a tu evaluación cuando una copia cae en train y su gemela en test?
Pistas, si te atascas
Pista 1
Antes de entrenar nada, corre value_counts() sobre churned y duplicated() sobre el dataframe entero. Los números te van a chivar más de lo que crees.
Pista 2
Para cada columna pregúntate: ¿este dato lo tendrías disponible en el momento real de predecir, o solo se pudo conocer después de que el cliente ya se hubiera ido?
¿Lo tienes?
Publica tu solución donde te apetezca: un repo, un gist, un notebook en Colab. Luego mándamela por el formulario de contacto, o simplemente mencióname en GitHub @delcenjo. A fin de mes publico mi propia solución comentada en el blog y enlazo las mejores que me hayan llegado.