Modelos de Aprendizaje Automático Basados en Datos Geoespaciales para la Predicción de Fuga de Clientes en Proveedores de Servicios de Internet (ISP)
Contenido principal del artículo
Resumen
El propósito de este estudio es abordar el problema de la pérdida de clientes en el sector de las telecomunicaciones, específicamente en un Proveedor de Servicios de Internet (ISP) que opera en Ecuador, mediante un modelo de aprendizaje automático y la aplicación de análisis geoespacial. Para llevarlo a cabo, fue necesario aplicar técnicas de balanceo de clases, ya que el conjunto de datos presentaba una menor cantidad de clientes que abandonaban el servicio, en contraste con aquellos que permanecían activos. Además, se realizó una segmentación de clientes utilizando K-Means. En cuanto a la predicción de abandono, se evaluaron varios modelos de clasificación y se seleccionó el de mejor rendimiento. Con base en sus predicciones, se aplicó análisis geoespacial para examinar la distribución territorial de los clientes, identificar patrones y permitir el desarrollo de estrategias de retención más efectivas. Para evaluar cada modelo se utilizaron las métricas ROC-AUC y recall, siendo Random Forest en combinación con Random Downsampling el que presentó el mejor desempeño. A través de la segmentación, se identificaron cuatro grupos de clientes con características similares. En conclusión, este estudio demuestra que integrar el aprendizaje automático con el análisis geoespacial es una combinación eficaz para predecir la pérdida de clientes en el sector de las telecomunicaciones. La combinación de Random Forest con técnicas de balanceo de datos, junto con la segmentación de clientes utilizando K-Means, dio como resultado un modelo robusto y preciso.
Descargas
Detalles del artículo

Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Acuerdo de licencia
Esta revista ofrece acceso gratuito a su contenido a través de su sitio web siguiendo el principio de que poner la investigación a disposición del público de forma gratuita favorece un mayor intercambio de conocimiento global.
El contenido de la web de la revista se distribuye bajo la licencia CC BY-NC-SA 4.0