1.

Titulo
Predicción de abandono de clientes utilizando redes neuronales artificiales
(ANN) en la industria de las telecomunicaciones(2019).

2. Problema
Las personas que se ven afectadas por los servicios prestados por la compañía
telefónica en la mayoría de los casos abandonan el servicio y produce la pérdida
de clientes en la industria de telecomunicaciones.

3. Técnica
- Redes neuronales artificiales (ANN)

4. Datos
a) Recolección de datos
Los datos fueron obtenidos de las empresas de telefonía móvil del
mercado de telecomunicaciones de Pakistán. Se obtuvieron 20468
instancias y 26 atributos durante el período de octubre a diciembre de
2018.

b) Variable utilizada para el diseño de redes neuronales artificiales

- Variables predictoras
(i) Edad (ii) Género (iii) Ingresos mensuales (iv) Desconexión de
llamadas (v) Tasa de fallos de llamadas (vi) Número de llamada
(vii) ID de cliente (viii) estado de suspensión del cliente (ix)
Educación (x) Propietario de la casa (xi) Estado civil (xii) Monto
facturado mensual (xiii) Número de quejas (xiv) Número de meses
sin pagar (xv) Número de días de contrato de equipo ( xvi)
Ocupación (xvii) Área (xviii) Total de minutos usados en los últimos
minutos (xix) Saldo impago (xx) O use el servicio de Internet (xxi)
Use el servicio de voz (xxii) Porcentaje de llamada fuera de la red
(xxiii) Duración total de la llamada (xxiv ) Promedio duración de la
llamada (xxv) Churn (xxvi) Años y meses
- Variable objetivo
La variable dependiente es la pérdida de clientes y presentará un
resultado dicotómico con dos variables, es decir, 0 o 1.
Tabla 1. El resumen de procesamiento del caso

Resumen de procesamiento de casos

    N Percent
Muestra Training 16421 80.20%
  Testing 4047 19.80%
Valid   20468 100.00%
Excluded   0  
Total   20468  
5. Resultados

Figura 1. Diagrama de caja

La probabilidad pronosticada como 79% se muestra en el modelo que tiene el abandono de

clientes = Sí y el abandono = No.

Tabla 2. Área bajo la curva (AOC)

Area Under The Curve

Area
Churn No 0.79
Yes 0.79
Figura 2. La curva característica de funcionamiento del receptor (ROC)
 Figura 3. La curva de ganancia

Figura 4. La curva de elevación

Vemos la importancia de cada variable utilizada en el conjunto de datos

principal. La importancia junto con el porcentaje se da con más detalle para cada
variable.
Tabla 3. Área bajo la curva (AOC)

Importancia de la variable independiente

Normalized
  Importance Importance
Income Per Month 0.053 23.30%
Drop Rate Call 0.05 21.90%
Failure Call Rate 0.032 14.00%
Education 0.057 24.70%
Monthly Bill
Amount(Rs.) 0.046 20.10%
Complaints Lodge 0.076 33.30%
Unpaid Numbers 0.044 19.10%
Call
Duration(Total) 0.147 63.90%
Call Duration
(Avg.) 0.057 25.00%
Internet
Subscribers 0.083 36.20%
Voice Service
Used 0.051 22.10%
Total Calling
Minutes 0.049 21.30%
Occupation 0.026 11.40%
 Age 0.229 100.00%

6. Conclusiones
La técnica que se uso fue Red Neural Artificial (ANN) y tuvo un desempeño
frente a otras técnicas de clasificación. La técnica ya predominante del algoritmo
de retro propagación se utiliza para entrenar el modelo para la predicción de la
rotación de clientes de telecomunicaciones.

7. Referencias
Yasser Khan, Shahryar Shafiq, Abid Naeem, Sheeraz Ahmed, Nadeem Safwan
and Sabir Hussain, “Customers Churn Prediction using Artificial Neural Networks
(ANN) in Telecom Industry” International Journal of Advanced Computer Science
and Applications(IJACSA), 10(9),
2019. http://dx.doi.org/10.14569/IJACSA.2019.0100918