Este trabajo analiza el abandono de clientes en una empresa de telecomunicaciones utilizando el dataset 5IBM Telco Customer Churn. El objetivo principal es estudiar qué características están más relacionadas 6con el churn y construir modelos capaces de detectar clientes con riesgo de abandonar el servicio. Para 7ello, primero se realizó una limpieza y preparación de los datos, corrigiendo problemas como la variable 8TotalCharges, que aparecía en formato texto y contenía algunos valores vacíos. Después se llevó a cabo 9un análisis exploratorio para entender mejor la distribución de las variables y su relación con el abandono. 10Posteriormente, se entrenaron distintos modelos de aprendizaje supervisado, como Logistic Regression, 11Random Forest, SVM, XGBoost, KNN, Naive Bayes, árbol de decisión y una red neuronal. Entre ellos, 12Random Forest obtuvo el mejor rendimiento global, mientras que Logistic Regression fue especialmente útil 13para detectar clientes que realmente se iban a dar de baja. Además, se aplicaron técnicas de clustering, 14concretamente K-Means y Fuzzy C-Means, para agrupar clientes con comportamientos similares. El grupo 15con mayor riesgo fue el de clientes nuevos con gasto mensual alto, con una tasa de churn cercana al 1649 %. Finalmente, se analizó la importancia de las variables para entender mejor qué factores influyen 17más en el abandono. En conjunto, el proyecto muestra que combinar modelos predictivos, segmentación 18e interpretabilidad permite no solo predecir el churn, sino también proponer acciones concretas para 19mejorar la retención de clientes.