Para determinar el modelo más adecuado, evaluamos diferentes enfoques, incluyendo regresión lineal, árboles de decisión y XGBoost. 

Sin embargo, tras el análisis correspondiente, optamos por implementar un modelo de regresión logística, ya que ofrecía un equilibrio óptimo entre interpretabilidad, desempeño y facilidad de implementación. 

Este modelo permite estimar probabilidades de churn de manera clara, lo que resulta fundamental para la toma de decisiones estratégicas orientadas a la retención de clientes.

En primer lugar, realizamos la división del dataset en dos subconjuntos: entrenamiento (train) y prueba (test), asignando un 70% de los datos para entrenamiento y un 30% para prueba.

Como lo logramos apreciar, las métricas de calidad obtenidas fueron lo suficientemente buenas como para poder implementar y desplegar nuestro modelo a producción.