📊 Modelo de Predicción de Churn de Clientes

Este proyecto implementa un modelo de machine learning para predecir si un cliente abandonará el servicio (churn). Utiliza un pipeline de procesamiento de datos con scikit-learn, un modelo de RandomForestClassifier y una API desarrollada con FastAPI para servir predicciones.

---

📁 Estructura del Proyecto

mlops_project/
├── .github/
│   └── workflows/
│       └── main.yml                  # Workflow CI/CD para entrenamiento, build y despliegue
├── data/
│   └── WA_Fn-UseC_-Telco-Customer-Churn.csv  # Dataset original (solo lectura)
├── models/
│   ├── churn_model.joblib            # Modelo entrenado 
│   ├── encoder.joblib               # Preprocesador ColumnTransformer 
│   └── expected_columns.joblib      # Columnas esperadas para predicción
├── src/
│   ├── app.py                       # API con FastAPI para predicción
│   ├── train_model.py               # Script de entrenamiento y reentrenamiento
│   └── app_ui.py.py                 # app de ejecucion de streamlit 
├── .dockerignore                    # Archivos/carpetas excluidos del build Docker
├── .gitignore                       # Archivos/carpetas excluidos de Git
├── Dockerfile                       # Multistage build para la API
├── requirements.txt                 # Dependencias de producción
├── requirements-dev.txt             # Dependencias de desarrollo (notebooks, tests)
└── README.md                        # Documentación del proyecto

---

🚀 1. Entrenamiento del Modelo

✅ Requisitos

Instalar las dependencias con el siguiente comando:

pip install -r requirements.txt

▶️ Ejecutar el script de entrenamiento

Para entrenar el modelo y guardar los artefactos generados, ejecuta el siguiente comando:

python train_model.py

Este script realizará las siguientes acciones:

• Limpia y transforma los datos.
• Entrena un modelo utilizando validación cruzada (GridSearchCV).
• Guarda el modelo entrenado (churn_model.joblib), el preprocesador (encoder.joblib) y las columnas esperadas (expected_columns.joblib).
• Genera reportes de clasificación y un gráfico de importancia de variables.

🌐 2. API de Predicción con FastAPI

▶️ Correr el servidor

Para ejecutar la API, utiliza el siguiente comando:

uvicorn app:app --reload

📥 Endpoint de predicción

La API tiene el siguiente endpoint para realizar predicciones:

POST /api/v1/predict-churn

🧾 Ejemplo de entrada

Envía una solicitud con el siguiente formato de entrada:

{
  "gender": "Female",
  "SeniorCitizen": 0,
  "Partner": "Yes",
  "Dependents": "No",
  "tenure": 5,
  "PhoneService": "Yes",
  "MultipleLines": "No",
  "InternetService": "DSL",
  "OnlineSecurity": "Yes",
  "OnlineBackup": "No",
  "DeviceProtection": "Yes",
  "TechSupport": "No",
  "StreamingTV": "No",
  "StreamingMovies": "Yes",
  "Contract": "Month-to-month",
  "PaperlessBilling": "Yes",
  "PaymentMethod": "Electronic check",
  "MonthlyCharges": 70.35,
  "TotalCharges": 350.5
}

✅ Ejemplo de respuesta

La respuesta será algo similar a esto:

{
  "prediction": "Cliente propenso a Churn",
  "probabilidad_churn": "78.21%"
}

🛠️ Tecnologías Utilizadas

• Python 3.10+
• scikit-learn
• pandas, numpy
• FastAPI
• Uvicorn
• joblib
• matplotlib

📌 Notas Importantes

• El preprocesamiento de variables categóricas se realiza con OneHotEncoder dentro de un pipeline de ColumnTransformer, lo que asegura la consistencia entre entrenamiento y predicción.
• Las columnas del input deben coincidir en nombre y orden con las esperadas por el modelo. Esto se controla con el archivo expected_columns.joblib.

🌐 API en Producción

La API de predicción está desplegada y accesible en la siguiente URL, donde puedes consultar la documentación interactiva de los endpoints disponibles:

Documentación de la API

✍️ Autor

David Siles — LinkedIn