Miembros:
- Wilson Ibarra Apaza
- Franklin Barrios Apaza
- Javier Rosado Carrizo
- Kenin Ojeda Hidalgo

Resumen: El presente trabajo desarrolla un modelo predictivo de churn para el sector telecomunicaciones, utilizando técnicas de aprendizaje supervisado. A partir de un conjunto real de 100,000 registros de clientes, se aplicaron procesos de análisis exploratorio, limpieza y normalización de datos mediante Z-score, eliminando 2,028 outliers para mejorar la calidad del entrenamiento. Se entrenaron y evaluaron cuatro modelos de clasificación: Árbol de Decisión, Random Forest, XGBoost y Red Neuronal Multicapa (MLP).
El modelo XGBoost fue seleccionado como solución final por su alta precisión en la detección de churn (94 %), un F1-score de 96%, un AUC-ROC de 0.98 y un accuracy del 95 %.
Además, su configuración fue optimizada mediante GridSearchCV, logrando un equilibrio adecuado entre rendimiento y capacidad de generalización. El análisis de importancia de atributos reveló que variables como la morosidad, la disminución de consumo, los tickets generados, los reclamos frecuentes y la zona geográfica del cliente influyen significativamente en la predicción del abandono.
Este modelo representa una herramienta eficaz y viable para anticipar el churn y orientar estrategias de retención
personalizadas en contextos reales.

Palabras clave: churn, machine learning, MLP, GridSearchCV