Predicción de fuga de clientes : una aplicación de técnicas de data mining en telefonía móvil

Abstract

Identifica a los clientes con mayor probabilidad de abandonar el uso del servicio móvil postpago en una empresa de Telecomunicaciones, en base al análisis de la información histórica de consumo, y a través de la comparación de distintos modelos predictivos usados por investigadores de todo el mundo, como son la Regresión Logística, los Árboles de Decisión, las Redes Neuronales y, en los últimos años, algoritmos como Random Forests, Gradient Boosting y Máquinas de Vectores Soporte. Para propósitos del presente estudio, se consideraron como variables independientes a cada una de las variables de perfil, consumo, contacto y satisfacción que almacena la empresa en el Data Warehouse, recogidas en un período de seis meses. Y como variable dependiente al indicador de baja del cliente, en el mes de agosto de 2014. El estudio es no experimental, transeccional y explicativo. Consiste en el análisis de las variables históricas del cliente sobre una muestra de 30 mil líneas móviles pospago, estando la población conformada por las 539 mil líneas pospago con que cuenta la empresa en el mes de análisis. Los principales aportes de la presente investigación son: El uso de métodos de validación cruzada y repetición de ensayos usando diferentes semillas, lo que permite mayor solidez en los resultados y diferenciar aquellos modelos que son estables de los que no lo son. Se mostró que el modelo Gradient Boosting es el mejor para identificar clientes con riesgo de fuga, pues además de identificar con mayor facilidad a los clientes con una probabilidad mayor de fuga, mantiene una gran estabilidad, aun cuando se seleccionen muestras distintas de la base de datos original.