Predicción de la Inactividad del Usuario en un Horizonte de 30 días Mediante Modelos de Aprendizaje Supervisado para el Diseño de Estrategias de Retención.
Grupo 3 - Sección A
Integrantes:* Flores Araujo, Karina Vanessa.
* Heredia Carrasco, Orlando Mario.
* Llumpo Neciosup, Segundo Crhistian.
* Rivero Aranda, Raúl Daniel.
Resumen:
Este informe presenta una solución basada en modelos de aprendizaje supervisado para predecir la probabilidad de que haya inactividad en el uso del servicio de un cliente en un mínimo de 30 días. Utilizando datos históricos de comportamiento y características del cliente, se entrenaron algoritmos como Árboles de Decisión, Random Forest y LightGBM, aplicando técnicas de preprocesamiento y manejo de desbalance. Los resultados muestran que LightGBM y SVM ofrecen alto rendimiento en la identificación de clientes con riesgo de inactividad. Dichos modelos lograron identificar con buena precisión a los clientes con mayor riesgo de inactividad, facilitando así la implementación de estrategias de retención más efectivas. Se concluye que estas herramientas permiten a las empresas anticiparse al abandono y tomar decisiones informadas en tiempo real.
Keywords:
Churn, Aprendizaje supervisado, Modelos predictivos, Retención de clientes, Desbalance de clases, Árboles de Decisión, Random Forest, LightGBM y SVM