Datamining con redes neuronales aplicado al modelado de la fuga de clientes
Tipo de material:
TextoDetalles de publicación: Valparaíso: UTFSM, 2010Descripción: 119 h.: ilTema(s): REDES NEURONALES (ciencia de la computación) | MINERIA DE DATOS | INTELIGENCIA EN LOS NEGOCIOSClasificación CDD: M 658.4038 Nota de disertación: Tesis (Ing. Civil Industrial) -- Prof. guía: Oscar Saavedra R., prof. corref.: Renato Cabrera T. Tema: [Resumen del autor]Tema: 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
| Tipo de ítem | Biblioteca actual | Colección | número de clasificación | Copia número | Estado | Fecha de vencimiento | Código de barras |
|---|---|---|---|---|---|---|---|
Memorias
|
Biblioteca Central | Memorias | M 658.4038 R457D (Navegar estantería(Abre debajo)) | 1 | Disponible | 3560900193587 |
[Resumen del autor]
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
CD Rom incluye tesis en formato pdf.
Incluye anexos
Tesis (Ing. Civil Industrial) -- Prof. guía: Oscar Saavedra R., prof. corref.: Renato Cabrera T.
h. 77
2