DISEÑO DE UN MODELO PREDICTIVO DE FUGA DE CLIENTES UTILIZANDO ÁRBOLES DE DECISIÓN
DESIGN OF A PREDICTIVE CUSTOMER LEAKAGE MODEL USING DECISION TREES
Palabras clave:
Retención de clientes, árboles de decisión, telecomunicaciones, fuga de clientesResumen
Este estudio tiene como objetivo diseñar un modelo basado en árboles de decisión, que permita predecir potenciales abandonos voluntarios de clientes de una empresa de telecomunicaciones para servicios post pago (servicio contratado de monto fijo que se paga mensualmente) de televisión digital. Los resultados del modelo permiten actuar proactivamente en la retención de clientes y mejorar los servicios prestados. Se utilizaron 23 variables predictoras que inciden en la fuga de clientes. Se utilizó una variable clase o variable dependiente, que es un identificador que determina si el cliente sigue vigente y activo en la empresa, o ha dejado de consumir servicios. Los resultados con el conjunto de datos de prueba, logran una precisión del 96,5%, indicando que los árboles de decisión resultan ser una atractiva alternativa para elaborar modelos de predicción de fuga de clientes en este tipo de datos, debido a la simplicidad de interpretación de los resultados.
Descargas
Citas
GOICOCHEA, A. CRISP-DM, Una metodología para proyectos de Minería de Datos. 2009 [En línea]. [Citado el: 12 de febrero de 2016.]. Disponible en: <a href="https://anibalgoicochea.com/2009/08/11/crisp-dm-una-metodologia-para-proyectos-de-mineria-de-datos/" target="_blank">https://anibalgoicochea.com/2009/08/11/crisp-dm-una-metodologia-para-proyectos-de-mineria-de-datos/</a>
BERSON, A., SMITH, S.Y and THEARLING, K. Building data mining applications for CRM. New York: McGraw-Hill, 2000.
CIMPOERU,C and ANDREESCU,A. Predicting Customers Churn in a Relational Database. Informatica Economica [En línea] 2014, 18(3), 5-16. [cit. 12 de febrero de 2016]. Disponible en: https://search.proquest.com/openview/2b1c7bbe95f3543cd613111094959dce/1?pqorigsite=gscholar&cbl=55108
FAWCETT, T. An introduction to ROC Analysis. Pattern Recognition [En línea]. 2006. 27(8), 861-874. [cit. 12 de febrero de 2016]. DOI: https://doi.org/10.1016/j.patrec.2005.10.010 Disponible en: http://www.sciencedirect.com/science/article/pii/S016786550500303X
FEELDERS, A., DANIELS, H and HOLSHEIMER. M. Methodological and practical aspects of data mining. Information & Management. [En línea]. 2000, 37(5), 271-281. [cit. 12 de febrero de 2016]. DOI: https://doi.org/10.1016/S0378-7206(99)00051-8 http://www.sciencedirect.com/science/article/pii/S0378720699000518
GIUDICI, P AND FIGNI, S. Applied Data Mining for Business and Industry. s.l. : Wiley, DOI: https://doi.org/10.1002/9780470745830.index , 2009.
HADDEN, J., TIWARI, A., ROY, R and RUTA, D. Churn Prediction: Does Technology Matter? International Journal of Intelligent Technology [En línea]. 2006,1(2), 104-110. [Citado el: 05 de febrero de 2016.] Disponible: https://www.waset.org/Publications/churn-prediction-doestechnology-
matter-/1793
HERNÁNDEZ O, J., RAMIREZ QUINTANA, MJ., FERRI RAMIREZ, C. Introducción a la Minería de Datos. Madrid : Pearson Prentice Hall, 2004.
HUNG, SY., YEN, D.C., WANG, H.UY. Applying data mining to telecom churn management. Expert Systems with Applications. [En línea]. 2006. 31(3), 515-524. [cit. 12 de febrero de 2016]. DOI: https://doi.org/10.1016/j.eswa.2005.09.080 Disponible en: http://www.sciencedirect.com/science/article/pii/S0957417405002654
Descargas
Publicado
Número
Sección
Licencia
Revista Ingeniería Industrial by Revista Ingeniería Industrial is licensed under a Creative Commons Reconocimiento 4.0 Internacional License. Creado a partir de la obra en revistas.ubiobio.cl/index.php/RI/. Puede hallar permisos más allá de los concedidos con esta licencia en http://revistas.ubiobio.cl/index.php/RI/about/