Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Fidelizacion - Retencion
Fidelizacion - Retencion
RETENCIÒN:
Actualmente, debido a la alta competencia que existe en el mercado de telecomunicaciones, un
cliente puede moverse de una compañía a otra con facilidad, lo que ha motivado a las
compañías de telecomunicaciones a incrementar los esfuerzos que realizan para retener a los
clientes existentes, ya que se sabe que el costo de incorporar a un cliente nuevo es mayor al
de conservar a los que ya se tienen. Para que una empresa pueda efectuar una estrategia de
retención de clientes, considerando los recursos limitados que tiene, primero se necesita
identificar a los clientes con mayor probabilidad de abandono, mediante la asignación de una
probabilidad, lo que permite ordenar a los clientes en orden de probabilidad de fuga y focalizar
los esfuerzos en aquellos con más riesgo de abandono. El siguiente paso, la mayoría de las
veces, consiste en abordar a estos clientes, sugiriéndoles nuevos planes con productos a su
medida y que se diferencien de la competencia. La estrategia de retención de clientes
anteriormente descrita, puede ser implementada con la ayuda de modelos de predicción que
permitan identificar a los clientes con mayores probabilidades de desertar en un futuro
relativamente próximo. Actualmente algunas compañías de telecomunicaciones han
incorporado estas estrategias concentrando sus esfuerzos en los clientes del tipo persona
natural, más conocido como el segmento B2C, por sus siglas en ingles de business to
consumer. Sin embargo, los clientes de tipo empresa, pertenecientes al segmento B2B por sus
siglas en ingles business to business, han recibido poca atención al respecto. En el presente
trabajo es presentado un modelo preliminar de retención de clientes microempresa de una
compañía de telecomunicaciones utilizando datos de la empresa y algoritmos de machine
learning. Para el desarrollo del modelo se probaron los algoritmos: XGBoost, Regresión
Logística, Regresión Logística CV, Árbol de Decisiones y Random Forest; y las técnicas de
desbalanceo de datos: Oversampling, Smote y Near Miss Subsampling. El mejor resultado
corresponde a un recall de 0,89 utilizando una Regresión Logística con Near Miss
Subsampling, lo que constituye un rendimiento mucho más bajo de lo esperado. Estos
resultados pueden explicarse en parte, por el desbalanceo que presenta la variable objetivo,
con un 98,63% para la clase no fuga vs un 1,31% para la clase fuga) y por la posible ausencia
otras variables relevantes para el desempeño del modelo.