Pronóstico de abandono de un cliente de telefonía celular prepago mediante la aplicación de técnicas de Machine Learning

Vista sencilla de ítem
dc.contributor.advisorVillarraga Palomino, Jesús Antonio
dc.contributor.authorQuevedo Rodríguez, Yuri Tatiana
dc.contributor.authorSang López, Hernando Miguel
dc.creator.emailytquevedor@libertadores.edu.cospa
dc.date.accessioned2022-07-21T18:32:19Z
dc.date.available2022-07-21T18:32:19Z
dc.date.created2022
dc.descriptionEn la actualidad, existen múltiples compañías que ofrecen servicios de telefonía celular con ofertas y paquetes similares en el mercado, lo cual hace que el movimiento de usuarios entre estas sea muy frecuente, generando abandonos masivos en función de la libre competencia. En este sentido, lo que se busca con el presente trabajo es determinar el comportamiento asociado a los clientes que abandonan la compañía anónima de telefonía prepagada y predecir a través del uso de técnicas de Machine Learning la similitud en el comportamiento de los usuarios activos e inactivos y clasificarlos dentro de un perfil de riesgo de abandono para años consecutivos. El análisis se hizo a través de diferentes técnicas de Machine Learning “Bosques Aleatorios, árboles de decisión, regresión logística, soporte máquinas vectoriales tipo polinómico y soporte máquinas vectoriales tipo rbf”, que permite caracterizar los usuarios activos dentro de una correlación con los usuarios que han abandonado y a través de los modelos mencionados pronosticar el riesgo de abandono para diferentes usuarios.spa
dc.description.abstractCurrently, there are multiple companies that offer cell phone services with similar offers and packages in the market, which makes the movement of users between them very frequent, generating massive dropouts due to free competition. In this sense, what is sought with this work is to determine the behavior associated with customers who leave the anonymous prepaid telephone company and predict, through the use of Machine Learning techniques, the similarity in the behavior of active and inactive users. and classify them within a dropout risk profile for consecutive years. The analysis was done through different Machine Learning techniques "Random Forests, decision trees, logistic regression, polynomial type vector machine support and rbf type vector machine support", which allows characterizing the active users within a correlation with the users who have abandoned and through the mentioned models predict the risk of abandonment for different users.spa
dc.formatPDFspa
dc.identifier.urihttp://hdl.handle.net/11371/4722
dc.language.isospaspa
dc.publisherFundación Universitaria Los Libertadores. Sede Bogotá.spa
dc.rights.accesoAbierto (Texto Completo)spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.lembTecnologíaspa
dc.subject.lembTelefoníaspa
dc.subject.lembCampos vectorialesspa
dc.subject.proposalbosques aleatoriosspa
dc.subject.proposalmodelo logísticospa
dc.subject.proposalárbol de decisiónspa
dc.subject.proposalpronóstico de abandonospa
dc.subject.subjectenglishrandom woodsspa
dc.subject.subjectenglishlogistic modelspa
dc.subject.subjectenglishdecision treespa
dc.subject.subjectenglishdropout prognosisspa
dc.titlePronóstico de abandono de un cliente de telefonía celular prepago mediante la aplicación de técnicas de Machine Learningspa
dc.typeinfo:eu-repo/semantics/bachelorThesisspa
Archivos
Bloque original
Mostrando 1 - 1 de 1
Miniatura
Nombre:
Quevedo_Sang_2022.pdf
Tamaño:
1.43 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Bloque de licencias
Mostrando 1 - 2 de 2
Miniatura
Nombre:
license.txt
Tamaño:
1.71 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar
Miniatura
Nombre:
Autorización_Quevedo_Sang_2022.pdf
Tamaño:
146.66 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Especialización en Estadística Aplicada