✈️ Customer Loyalty Program Analysis

Análisis del comportamiento de clientes de un programa de fidelización de aerolínea, cubriendo exploración, limpieza, análisis estadístico y visualización de datos.

---

📌 Descripción del proyecto

El proyecto integra dos datasets con información complementaria sobre los clientes de un programa de fidelización:

• Customer Flight Activity: actividad de vuelos (vuelos reservados, distancia, puntos acumulados y redimidos, entre otros)
• Customer Loyalty History: perfil demográfico y estado dentro del programa (ubicación, educación, salario, tipo de tarjeta, fechas de inscripción y cancelación)

El objetivo es comprender el perfil de los clientes, su comportamiento de vuelo y su relación con el programa de fidelización, generando insights relevantes desde una perspectiva analítica y de negocio.

---

🎯 Fases del proyecto

Fase 1 — Exploración de datos (EDA)

• Comprensión de la estructura del dataset
• Identificación de valores nulos
• Análisis de distribuciones y principales estadísticos
• Validación de la calidad de los datos.

Fase 2 — Limpieza y transformación

• Integración de datasets mediante unión automática basada en la clave común (loyalty_number)
• Normalización de columnas a snake_case
• Eliminación de registros duplicados
• Corrección de tipos de datos
• Tratamiento de valores negativos
• Tratamiento de valores nulos
• Creación de la variable customer_status
• Homogeneización de los valores de variables categóricas
• Validación de coherencia lógica.

Fase 3 — Análisis estadístico

• Estadísticas descriptivas por variables numéricas y categóricas
• Detección de outliers
• Análisis de correlaciones de variables numéricas.

Fase 4 — Visualización

• Análisis temporal de vuelos
• Relación distancia–puntos acumulados
• Distribución geográfica por provincia
• Salario promedio por nivel educativo
• Proporción por tipo de tarjeta de fidelización
• Perfil demográfico por género y estado civil.

---

📂 Estructura del repositorio

├── data/
│   ├── raw/
│   │   ├── Customer Flight Activity.csv
│   │   └── Customer Loyalty History.csv
│   └── processed/
│       └── customer_loyalty_clean.csv
│
├── notebooks/
│   ├── 00_eda.ipynb               # Exploración inicial
│   ├── 01_data_cleaning.ipynb     # Limpieza y transformación
│   └── 02_data_analysis.ipynb     # Análisis estadístico y visualización
│
├── src/
│   ├── data_cleaning.py           # Pipeline de limpieza automatizado
│   └── main.py                    # Script de ejecución principal
│
├── reports/
│   ├── figures/
│   │   ├── 00_eda/
│   │   └── 01_data_analysis/
│   └── 01_eda_summary.md
│
├── docs/
│   └── data_cleaning_decisions.md # Decisiones y justificaciones de limpieza
│
├── requirements.txt
└── README.md

---

⚙️ Pipeline de limpieza automatizado

El pipeline en src/data_cleaning.py automatiza todo el proceso de limpieza:

1. Carga e integración automática de los datasets mediante la clave común (loyalty_number)
2. Normalización de nombres de columnas a snake_case
3. Eliminación de duplicados
4. Corrección de tipos de datos
5. Conversión de salarios negativos a NaN
6. Imputación de salary con mediana por grupos (education + loyalty_card)
7. Creación de la variable customer_status (Active / Cancelled)
8. Estandarización de variables categóricas
9. Validación de coherencia lógica entre variables del dataset
10. Exportación del dataset limpio a data/processed/customer_loyalty_clean.csv

---

▶️ Cómo ejecutar el pipeline

Desde la raíz del proyecto:

cd src
python main.py

Esto ejecutará el proceso completo de limpieza y generará el dataset limpio en data/processed/.

---

📊 Principales insights

Algunos hallazgos relevantes incluyen:

• Perfil geográfico: alta concentración en Ontario (32,3%), British Columbia (26,4%) y Quebec (19,7%)
• Perfil demográfico: distribución equilibrada por género (~50/50) y predominio de clientes casados (~58%)
• Programa de fidelización: predominio de niveles no Premium (Star, Nova), con un 20% en el segmento Premium Aurora; base mayoritariamente activa (~88%)
• Comportamiento de vuelo: relación lineal clara entre distancia volada y puntos acumulados; patrón estacional con mayor actividad en verano
• Segmentación económica: diferencias salariales relevantes según nivel educativo

Todas las gráficas y visualizaciones generadas están disponibles en: reports/figures/

---

🛠️ Tecnologías utilizadas

Python · Pandas · NumPy · Matplotlib · Seaborn · Regex

---

📦 Instalación

Clonar el repositorio:

git clone https://github.com/arantxa-90/evaluacion-modulo3-da-promo-64-arantxa-barea.git
cd evaluacion-modulo3-da-promo-64-arantxa-barea

Instalar dependencias:

pip install -r requirements.txt

Opcional: usar entorno virtual (recomendado):

# Crear entorno virtual
python -m venv venv

# Activar entorno virtual

# Mac/Linux
source venv/bin/activate

# Windows
venv\Scripts\activate

# Instalar dependencias dentro del entorno
pip install -r requirements.txt

---

🎓 Contexto

Proyecto desarrollado como evaluación final del Módulo 3 de Data Analytics, aplicando buenas prácticas de limpieza de datos, análisis estadístico, visualización y reproducibilidad mediante pipeline automatizado.

---

Arantxa Barea | 🔗 LinkedIn