Predicción de abandono de clientes en telecomunicaciones mediante el aprendizaje automático
Con el rápido crecimiento de los sistemas digitales y las tecnologías de la información asociadas, existe una tendencia emergente en la economía global para construir sistemas digitales de gestión de relaciones con los clientes. Esta tendencia es más evidente en la industria de las telecomunicacione...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis de maestría |
| Estado: | Versión aceptada para publicación |
| Fecha de publicación: | 2021 |
| País: | Colombia |
| Institución: | Universidad de Bogotá Jorge Tadeo Lozano |
| Repositorio: | Expeditio: repositorio UTadeo |
| Idioma: | español |
| OAI Identifier: | oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/22247 |
| Acceso en línea: | http://hdl.handle.net/20.500.12010/22247 http://expeditio.utadeo.edu.co |
| Access Level: | acceso abierto |
| Palabra clave: | Análisis de datos Automatización -- Tesis y disertaciones académicas Logística empresarial -- Tesis y disertaciones académicas Administración industrial -- Tesis y disertaciones académicas |
| Sumario: | Con el rápido crecimiento de los sistemas digitales y las tecnologías de la información asociadas, existe una tendencia emergente en la economía global para construir sistemas digitales de gestión de relaciones con los clientes. Esta tendencia es más evidente en la industria de las telecomunicaciones, donde las empresas se digitalizan cada vez más. La predicción de la perdida de clientes es una característica principal de las telecomunicaciones modernas. Esta investigación lleva a cabo un estudio del mundo real sobre la predicción de la rotación de clientes y propone el uso del impulso para mejorar un modelo de predicción de la rotación de clientes. Este documento tiene como objetivo presentar técnicas de minería de datos de uso común para la identi acción de clientes que están a punto de abandonar. Basándose en datos históricos, estos métodos intentan encontrar patrones que puedan identi ficar posibles abandonos. Algunos de los algoritmos más conocidos utilizados durante esta investigación son el análisis de regresión, los arboles de decisión, las redes neuronales arti ciales (ANN) entre otros. Los resultados muestran que, en el caso del conjunto de datos utilizado, el XGBoost es el algoritmo clasi cador más preciso al identi ficar posibles abandonos. |
|---|