Look-up in Google Scholar
Title: Aplicación de algoritmos de aprendizaje automático para mejorar la predicción del abandono de clientes postpago en las empresas del sector de telecomunicaciones
Advisor(s): Sotelo Villena, Juan Carlos
OCDE field: http://purl.org/pe-repo/ocde/ford#2.02.04
Issue Date: 2020
Institution: Universidad Nacional de Ingeniería
Abstract: El presente trabajo se basa en la aplicación de modelos predictivos de fuga de clientes (en inglés Churn) que permitan identificar el comportamiento de que un cliente considere prescindir su servicio móvil pospago para migrar a una empresa de la competencia debido a una mejor oferta en esta. Este proyecto es la solución a la problemática que tienen las empresas de telecomunicaciones en la deserción voluntaria de sus clientes, debido a que en los últimos años la competencia entre las compañías de este sector se ha tornado más vertiginosa. En la elaboración del proyecto se evaluaron y compararon entre sí distintas técnicas de regresión y machine learning, dónde se eligió la de mayor poder predictivo. Además, el modelo elegido brinda una calificación score de riesgos por cliente a fin de definir la estrategia comercial que permita la retención de clientes y tenga como consecuencias la mejora en la toma de decisiones. La metodología usada para la elaboración de este modelo fue la Crisp-dm, dónde se utilizó información interna de la compañía y la de los Buros de crédito. Se estableció el periodo de estudio, dónde se pudo realizar el comportamiento de fuga del cliente y en base a las variables introducidas, se escogieron las de mayor importancia al modelo, dónde la información utilizada para el modelamiento es una muestra representativa de 6 meses. El objetivo es que la empresa pueda obtener el universo de clientes propensos a una deserción a fin de realizarles una estrategia comercial de retención de clientes y posteriormente fidelizarlos y brindarles una oferta que sea acorde a su necesidad superando la oferta de la competencia. Adicionalmente, este trabajo calcula el impacto económico de tener conocimiento de manera anticipada la posible deserción de un cliente a fin de establecer acciones comerciales que fomenten una mayor rentabilidad en la empresa de telecomunicaciones. Finalmente, al aplicar las técnicas de selección de variables se logran identificar a las variables de mayor significancia e importancia que explican el caso de estudio, reduciendo así las 250 variables a solo 22. Adicionalmente, los resultados de los algoritmos utilizados para la solución del caso de negocio del churn de los clientes móvil pospago muestran que al momento de modelar estas variables con los distintos algoritmos, se obtiene que el algoritmo Random Forest posee el peor resultado con un AUC de 75.7% y el mejor resultado lo logra el algoritmo LightGBM con AUC de 83,6%, lo cual demuestra que este último posee un alto nivel de confianza en la predicción de los clientes propensos a realizar una portabilidad a la competencia. Por eso se elige a LightGBM como el mejor algoritmo para solucionar este caso de negocio porque después de la validación cruzada y modelamiento con otras muestras se reafirma lo establecido.

The present project is based on the application of predictive models of leakage of clients (Churn) that allow to identify the behavior of which a client considers give up his postpaid service to migrate to a company of the competition due to a better offer in this one. This project is the solution to the problems that telecommunication companies have in the voluntary desertion of their clients, since in recent years the competition between companies in this sector has become more dizzying. In the elaboration of the project, different regression and machine learning techniques were evaluated and compared, where the most predictive power was chosen. In addition, the chosen model provides a score score of risks per client to define the commercial strategy that allows the retention of customers and has as consequences the improvement in decision making. The methodology used for the elaboration of this model was the CRISP-DM, where internal information of the company and that of the credit Bureaus was used. The study period was established, where the client's leakage behavior could be performed and, based on the variables introduced, the most important ones were chosen, where the information used for the modeling is a representative sample of 6 months. The target is that the company can obtain the universe of clients prone to a desertion to carry out a commercial strategy of customer retention and subsequently retain them and offer them an offer that is in line with their needs, overcoming the offer of the competition. Additionally, this work calculates the economic impact of having knowledge in advance of the possible desertion of a client to establish commercial actions that encourage greater profitability in the telecommunications company. Finally, by applying the techniques of selecting variables, we can identify the variables of greatest significance and importance that explain the case study, thus reducing the 250 variables to only 22. In addition, the results of the algorithms used to solve the case of churn business of postpaid clients show that when modeling these variables with the different algorithms, it is obtained that the Random Forest algorithm has the worst result with an AUC of 75.7% and the best result is achieved by the LightGBM algorithm with AUC of 83.6%, which shows that the latter has a high level of confidence in the prediction of customers prone to portability to the competition. That is why LightGBM is chosen as the best algorithm to solve this business case because after the cross-validation and modeling with other samples the established is reaffirmed.
Discipline: Ingeniería de Sistemas
Grade or title grantor: Universidad Nacional de Ingeniería. Facultad de Ingeniería Industrial y de Sistemas
Grade or title: Ingeniero de Sistemas
Juror: Canchano Caro, Javier Tolentino; Huamaní Huamaní, Gloría Teresita
Register date: 25-Apr-2022



This item is licensed under a Creative Commons License Creative Commons