Mostrar el registro sencillo del ítem
Diseño de un Modelo Predictivo de Fuga de Clientes Utilizando Algoritmos Machine Learning
| dc.contributor.author | Diego Andrés Pinto Galindo | |
| dc.contributor.author | Jose Alexander Fuentes Montoya | |
| dc.date.accessioned | 2021-01-27T18:35:44Z | |
| dc.date.available | 2021-01-27T18:35:44Z | |
| dc.date.issued | 2020-12-10 | |
| dc.identifier.uri | https://repositorio.ecci.edu.co/handle/001/773 | |
| dc.description.abstract | The companies providing mobile telecommunications services contribute to the economic development of the country, as they are necessary to maintain the flow of information between various channels and services. Now in Colombia there are several national and international companies that provide mobile services and the high penetration of this market has generated that they train in competition for users. This means that companies have the great challenge of maintaining the satisfaction and loyalty of their users. In order to achieve user loyalty, it is necessary to understand and understand the behavior of users before they request portability or flight to another company, in order to anticipate this behavior, the analysis and modeling will be developed in this work through Machine Learning techniques and the choice of that best suits user behaviors. | |
| dc.format.mimetype | application/pdf | spa |
| dc.language.iso | spa | spa |
| dc.subject | Fidelización, Fuga de Clientes, Machine Learning, predicción. | spa |
| dc.title | Diseño de un Modelo Predictivo de Fuga de Clientes Utilizando Algoritmos Machine Learning | |
| dc.type | Documento de trabajo | spa |
| dc.contributor.colaborator | Claro Colombia | spa |
| dc.contributor.colaborator | Claro Colombia | |
| dc.description.resumen | Las empresas prestadoras de servicios de telecomunicaciones móviles contribuyen al desarrollo económico del país, ya que son necesarias para mantener el flujo de información entre diversos canales y servicios. Actualmente, en Colombia hay varias empresas nacionales e internacionales que prestan servicios móviles y la alta penetración de las mismas en el mercado ha generado se incremente la competencia por los usuarios. Por consecuente, dichas empresas tienen el gran reto de mantener la satisfacción y fidelización de los mismos. Para lograr mantener dicha fidelización se hace pertinente analizar y entender el comportamiento de los clientes antes de que se fuguen a otra empresa, para anticiparse a este comportamiento se desarrollará en el presente artículo la descripción, análisis y modelamiento por medio de técnicas de Machine Learning y se escogerá la que mejor se ajuste a los comportamientos de los usuarios. | spa |
| dc.relation.references | [1] «¿Cuántos somos?» https://www.dane.gov.co/index.php/estadisticas-portema/demografia-y-poblacion/censo-nacional-de-poblacion-y-vivenda-2018/cuantossomos (accedido ago. 11, 2020). [2] «Colombia alcanzó los 62,2 millones de líneas de celular habilitadas - Ministerio de Tecnologías de la Información y las Comunicaciones». https://www.mintic.gov.co/portal/inicio/Sala-de-Prensa/MinTIC-en-losMedios/72964:Colombia-alcanzo-los-62-2-millones-de-lineas-de-celular-habilitadas (accedido ago. 11, 2020). [3] «La nueva tecnología y la vida cotidiana | Opinión | EL PAÍS». https://elpais.com/diario/1983/04/03/opinion/418168811_850215.html (accedido ago. 11, 2020). [4] «Estadísticas: telecomunicaciones en Colombia», TeleSemana.com. http://www.telesemana.com/panorama-de-mercado/colombia/ (accedido ago. 11, 2020). [5] «Definición de pospago — Definicion.de», Definición.de. https://definicion.de/pospago/ (accedido ago. 20, 2020). [6] «¿Qué es Portabilidad Numérica?», Subsecretaría de Telecomunicaciones de Chile, ene. 08, 2010. https://www.subtel.gob.cl/ique-es-portabilidad-numerica/ (accedido ago. 20, 2020). [7] «A Brief History of Machine Learning», Provalis Research, jun. 22, 2017. https://provalisresearch.com/blog/brief-history-machine-learning/ (accedido abr. 14, 2020). [8] «Machine learning: conoce qué es y las diferencias entre sus tipos», Think Big, nov. 16, 2017. https://empresas.blogthinkbig.com/que-algoritmo-elegir-en-ml-aprendizaje/ (accedido abr. 14, 2020). [9] «How to handle Imbalanced Data in Machine Learning», mar. 20, 2019. https://www.einfochips.com/blog/addressing-challenges-associated-with-imbalanceddatasets-in-machine-learning/ (accedido abr. 14, 2020). [10]«Aprendizaje por Refuerzo», Advanced Tech Computing Group UTPL, ago. 08, 2008. https://advancedtech.wordpress.com/2008/08/08/aprendizaje-por-refuerzo/ (accedido abr. 14, 2020). [11]«CRISP-DM: La metodología para poner orden en los proyectos», Sngular, ago. 02, 2016. https://www.sngular.com/es/data-science-crisp-dm-metodologia/ (accedido ago. 24, 2020). [12]G. Grolemund y H. Wickham, 1 Introduction | R for Data Science. . [13]«H2O Architecture — H2O 3.30.1.1 documentation». https://docs.h2o.ai/h2o/lateststable/h2o-docs/architecture.html (accedido ago. 25, 2020). [14]Harshith, «Log loss function math explained», Medium, ene. 11, 2020. https://towardsdatascience.com/log-loss-function-math-explained-5b83cd8d9c83 (accedido sep. 07, 2020). [15]«Boosting en Machine Learning con Python». https://relopezbriega.github.io/blog/2017/06/10/boosting-en-machine-learning-conpython/ (accedido sep. 14, 2020). [16]W. Badr, «Having an Imbalanced Dataset? Here Is How You Can Fix It.», Medium, abr. 20, 2019. https://towardsdatascience.com/having-an-imbalanced-dataset-here-is-howyou-can-solve-it-1640568947eb (accedido sep. 18, 2020). [17]A. Estabrooks, T. Jo, y N. Japkowicz, «A Multiple Resampling Method for Learning from Imbalanced Data Sets», Computational Intelligence, vol. 20, n.o 1, pp. 18-36, 2004, doi: 10.1111/j.0824-7935.2004.t01-1-00228.x. [18]«Clasificación: ROC y AUC | Curso intensivo de aprendizaje automático», Google Developers. https://developers.google.com/machine-learning/crashcourse/classification/roc-and-auc?hl=es-419 (accedido oct. 30, 2020). [19]«▷ Busqueda de hiperparametros. Tu modelo Perfecto», The Machine Learners, oct. 12, 2020. https://themachinelearners.com/busqueda-hiperparametros/ (accedido oct. 30, 2020). [20]«Curvas ROC y Área bajo la curva (AUC)», � Aprende IA, may 31, 2019. https://aprendeia.com/curvas-roc-y-area-bajo-la-curva-auc-machine-learning/ (accedido dic. 07, 2020). [21]A. Serre, «Understanding Lift curve», Medium, feb. 20, 2020. https://medium.com/analytics-vidhya/understanding-lift-curve-b674d21e426 (accedido dic. 07, 2020). | spa |
| dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
| dc.subject.proposal | Loyalty, Customer Leak, Machine Learning, prediction. | eng |
| dc.subject.proposal | Loyalty, Customer Leak, Machine Learning, prediction. | eng |
| dc.type.content | Text | spa |
| dc.type.dcmi-type-vocabulary | Text | spa |
| dc.type.driver | info:eu-repo/semantics/workingPaper | spa |
| dc.type.version | info:eu-repo/semantics/acceptedVersion | spa |
| dc.type.coarversion | http://purl.org/coar/version/c_ab4af688f83e57aa | spa |
| dc.rights.coar | http://purl.org/coar/access_right/c_abf2 | spa |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
FAA. Tesis [6]