Detalles MARC
| 000 -CABECERA |
|---|
| campo de control de longitud fija |
03346nam a2200337 a 4500 |
| 001 - NÚMERO DE CONTROL |
|---|
| campo de control |
u87807 |
| 003 - IDENTIFICADOR DEL NÚMERO DE CONTROL |
|---|
| campo de control |
USM |
| 005 - FECHA Y HORA DE LA ÚLTIMA TRANSACCIÓN |
|---|
| campo de control |
20200509015543.0 |
| 008 - DATOS DE LONGITUD FIJA--INFORMACIÓN GENERAL |
|---|
| campo de control de longitud fija |
100410s2010 vaca spa d |
| 035 ## - NÚMERO DE CONTROL DEL SISTEMA |
|---|
| Número de control de sistema |
(Sirsi) 121347 |
| 040 ## - FUENTE DE LA CATALOGACIÓN |
|---|
| Centro catalogador/agencia de origen |
UTFSM |
| 082 00 - NÚMERO DE LA CLASIFICACIÓN DECIMAL DEWEY |
|---|
| Número de clasificación |
M 658.4038 |
| Número de documento/Ítem |
R457d |
| 100 20 - ENTRADA PRINCIPAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Reyes Lozano, Javier Ignacio |
| 9 (RLIN) |
80243 |
| 245 10 - MENCIÓN DE TÍTULO |
|---|
| Título |
Datamining con redes neuronales aplicado al modelado de la fuga de clientes |
| 260 00 - PUBLICACIÓN, DISTRIBUCIÓN, ETC. (PIE DE IMPRENTA) |
|---|
| Lugar de publicación, distribución, etc. |
Valparaíso: |
| Nombre del editor, distribuidor, etc. |
UTFSM, |
| Fecha de publicación, distribución, etc. |
2010 |
| 300 ## - DESCRIPCIÓN FÍSICA |
|---|
| Extensión |
119 h.: |
| Otras características físicas |
il. |
| 520 0# - SUMARIO, ETC. |
|---|
| Sumario, etc. |
[Resumen del autor] |
|
|---|
| Sumario, etc. |
La presente memoria, tiene como fin educacional el desarrollo de un modelo de redes neuronales, que sea capaz de predecir clientes potenciales a realizar Churn para un servicio de TV pagado de una empresa de telecomunicaciones, ; todo esto se enmarca en la disciplina de minería de datos. El contexto del servicio a evaluar, se enmarca en una industria altamente competitiva, donde existe una alta concentración de mercado en manos del operador VTR con un 51,9%, el resto en su mayoría se reparte entre cuatro operadores principales, TELMEX, MOVISTAR y DIRECT TV, todos estos presentan servicios bastante similares. En esta memoria se logró determinar que variables poseen capacidad predictiva de Churn. Las más influyentes son el tiempo que demora el cliente en realizar el pago (mientras más tarde paga un cliente respecto a su fecha de vencimiento aumenta la posibilidad de Churn; la variabilidad del tiempo de pago (mientras más inconstante el diente es al pagar en el tiempo, mayor probabilidad tiene de hacer Churn); el coeficiente de variación de los montos facturados ( en el tiempo los clientes que varían su factura al alza o baja tiene mayor probabilidad de Churn, frente a uno que permanece invariable en su facturación), y por último la antigüedad, donde los clientes que presentan antigüedades menores, tienen mayor tendencia a realizar Churn que un diente de mayor antigüedad. El entrenamiento del modelo obtenido, presenta una precisión en la predicción de un 79,12%. En la etapa de validación del modelo (enfrentar el modelo ante una situación real) se obtiene como resultado que la predicción correcta de datos, es de un 79,62% del total de éstos, teniéndose así que el error obtenido es de un 29,38%. Al analizar los tipos de errores, se observa, que el mayor de éstos se obtiene cuando datos de clientes que se mantendrán Vigentes son predichos como Churn, representado con un 28%; por otro lado, la predicción de clientes que realmente harán Churn y son predichos como que se mantendrán Vigentes es de un 1,38%. El modelo es capaz de predecir un 63% del total de clientes que serán Churn |
| 500 ## - NOTA GENERAL |
|---|
| Nota general |
CD Rom incluye tesis en formato pdf. |
|
|---|
| Nota general |
Incluye anexos |
| 502 ## - NOTA DE TESIS |
|---|
| Nota de tesis |
Tesis (Ing. Civil Industrial) -- Prof. guía: Oscar Saavedra R., prof. corref.: Renato Cabrera T. |
| 504 ## - NOTA DE BIBLIOGRAFÍA, ETC. |
|---|
| Bibliografía, etc. |
h. 77 |
| 596 ## - |
|---|
| -- |
2 |
| 650 00 - PUNTO DE ACCESO ADICIONAL DE MATERIA--TÉRMINO DE MATERIA |
|---|
| Término de materia o nombre geográfico como elemento inicial |
REDES NEURONALES (ciencia de la computación) |
| 9 (RLIN) |
120415 |
|
|---|
| Término de materia o nombre geográfico como elemento inicial |
MINERIA DE DATOS |
| 9 (RLIN) |
117101 |
|
|---|
| Término de materia o nombre geográfico como elemento inicial |
INTELIGENCIA EN LOS NEGOCIOS |
| 9 (RLIN) |
114973 |
| 700 20 - PUNTO DE ACCESO ADICIONAL--NOMBRE DE PERSONA |
|---|
| Nombre de persona |
Saavedra Rodríguez, Oscar (Comisión de tesis) |
| Término indicativo de función/relación |
, prof. guía |
|
|---|
| Nombre de persona |
Cabrera Tasso, Renato Aaron (Comisión de tesis) |
| Término indicativo de función/relación |
, prof. corref. |
| 9 (RLIN) |
21012 |
| 710 00 - PUNTO DE ACCESO ADICIONAL--NOMBRE DE ENTIDAD CORPORATIVA |
|---|
| Nombre de entidad corporativa o nombre de jurisdicción como elemento de entrada |
UTFSM. |
| Unidad subordinada |
Departamento de Industrias (1994-) |
| 9 (RLIN) |
3742 |
| 948 ## - PROCESAMIENTO DE INFORMACIÓN LOCAL (OCLC); DESIGNADOR DE PARTE DE LA SERIE (RLIN) |
|---|
| Designador de la parte de la serie, SPT (RLIN) |
04/10/2010 |
| b (OCLC) |
16/08/2011 |
| z (OCLC) |
USM |
