Pronóstico de abandono de un cliente de telefonía celular prepago mediante la aplicación de técnicas de Machine Learning
dc.contributor.advisor | Villarraga Palomino, Jesús Antonio | |
dc.contributor.author | Quevedo Rodríguez, Yuri Tatiana | |
dc.contributor.author | Sang López, Hernando Miguel | |
dc.creator.email | ytquevedor@libertadores.edu.co | spa |
dc.date.accessioned | 2022-07-21T18:32:19Z | |
dc.date.available | 2022-07-21T18:32:19Z | |
dc.date.created | 2022 | |
dc.description | En 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.abstract | Currently, 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.format | spa | |
dc.identifier.uri | http://hdl.handle.net/11371/4722 | |
dc.language.iso | spa | spa |
dc.publisher | Fundación Universitaria Los Libertadores. Sede Bogotá. | spa |
dc.rights.acceso | Abierto (Texto Completo) | spa |
dc.rights.accessrights | info:eu-repo/semantics/openAccess | spa |
dc.subject.lemb | Tecnología | spa |
dc.subject.lemb | Telefonía | spa |
dc.subject.lemb | Campos vectoriales | spa |
dc.subject.proposal | bosques aleatorios | spa |
dc.subject.proposal | modelo logístico | spa |
dc.subject.proposal | árbol de decisión | spa |
dc.subject.proposal | pronóstico de abandono | spa |
dc.subject.subjectenglish | random woods | spa |
dc.subject.subjectenglish | logistic model | spa |
dc.subject.subjectenglish | decision tree | spa |
dc.subject.subjectenglish | dropout prognosis | spa |
dc.title | Pronóstico de abandono de un cliente de telefonía celular prepago mediante la aplicación de técnicas de Machine Learning | spa |
dc.type | info:eu-repo/semantics/bachelorThesis | spa |
Archivos
Bloque original
1 - 1 de 1
Cargando...
- Nombre:
- Quevedo_Sang_2022.pdf
- Tamaño:
- 1.43 MB
- Formato:
- Adobe Portable Document Format
- Descripción: