Facultad de Ingeniería
Permanent URI for this community
Browse
Browsing Facultad de Ingeniería by Subject "Abandono"
Now showing 1 - 1 of 1
Results Per Page
Sort Options
Item Elaboración de un modelo de retención de clientes para una empresa de Telecomunicaciones(Universidad del Desarrollo. Facultad de Ingeniería, 2021-03) Godoy Astudillo, Roxana; Opitz, DanielaActualmente, debido a la alta competencia que existe en el mercado de telecomunicaciones, un cliente puede moverse de una compañía a otra con facilidad, lo que ha motivado a las compañías de telecomunicaciones a incrementar los esfuerzos que realizan para retener a los clientes existentes, ya que se sabe que el costo de incorporar a un cliente nuevo es mayor al de conservar a los que ya se tienen. Para que una empresa pueda efectuar una estrategia de retención de clientes, considerando los recursos limitados que tiene, primero se necesita identificar a los clientes con mayor probabilidad de abandono, mediante la asignación de una probabilidad, lo que permite ordenar a los clientes en orden de probabilidad de fuga y focalizar los esfuerzos en aquellos con más riesgo de abandono. El siguiente paso, la mayoría de las veces, consiste en abordar a estos clientes, sugiriéndoles nuevos planes con productos a su medida y que se diferencien de la competencia. La estrategia de retención de clientes anteriormente descrita, puede ser implementada con la ayuda de modelos de predicción que permitan identificar a los clientes con mayores probabilidades de desertar en un futuro relativamente próximo. Actualmente algunas compañías de telecomunicaciones han incorporado estas estrategias concentrando sus esfuerzos en los clientes del tipo persona natural, más conocido como el segmento B2C, por sus siglas en ingles de business to consumer. Sin embargo, los clientes de tipo empresa, pertenecientes al segmento B2B por sus siglas en ingles business to business, han recibido poca atención al respecto. En el presente trabajo es presentado un modelo preliminar de retención de clientes microempresa de una compañía de telecomunicaciones utilizando datos de la empresa y algoritmos de machine learning. Para el desarrollo del modelo se probaron los algoritmos: XGBoost, Regresión Logística, Regresión Logística CV, Árbol de Decisiones y Random Forest; y las técnicas de desbalanceo de datos: Oversampling, Smote y Near Miss Subsampling. El mejor resultado corresponde a un recall de 0,89 utilizando una Regresión Logística con Near Miss Subsampling, lo que constituye un rendimiento mucho más bajo de lo esperado. Estos resultados pueden explicarse en parte, por el desbalanceo que presenta la variable objetivo, con un 98,63% para la clase no fuga vs un 1,31% para la clase fuga) y por la posible ausencia otras variables relevantes para el desempeño del modelo.