Scribd
Cargar
180 vistas16 páginas

Proyecto Final DS V1

Este documento presenta los resultados de un análisis de datos para predecir el churn (abandono de clientes) en una compañía de telecomunicaciones. El equipo de ciencia de datos analizó datos demográficos, servicios contratados e información de cuentas para identificar patrones relacionados con el churn. Luego, probaron varios modelos de machine learning y encontraron que el random forest logró la mayor precisión en la predicción de churn. Las conclusiones sugieren enfocarse en retener a personas mayores, solteras y mejorar los servicios de fibra

Cargado por

Tato Flores
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd
180 vistas16 páginas

Proyecto Final DS V1

Este documento presenta los resultados de un análisis de datos para predecir el churn (abandono de clientes) en una compañía de telecomunicaciones. El equipo de ciencia de datos analizó datos demográficos, servicios contratados e información de cuentas para identificar patrones relacionados con el churn. Luego, probaron varios modelos de machine learning y encontraron que el random forest logró la mayor precisión en la predicción de churn. Las conclusiones sugieren enfocarse en retener a personas mayores, solteras y mejorar los servicios de fibra

Cargado por

Tato Flores
Derechos de autor
© © All Rights Reserved
Nos tomamos en serio los derechos de los contenidos. Si sospechas que se trata de tu contenido, reclámalo aquí.
Formatos disponibles
Descarga como PDF, TXT o lee en línea desde Scribd

DATA SA

ABRIL 2022

TELCO
CHURN
EQUIPO:
LEANDRO MÁRQUEZ – DATA SCIENCE SPECIALIST
JAVIER GOHLKE – DATA SCIENCE SPECIALIST
FEDERICO MÁRQUEZ – DATA SCIENCE SPECIALIST
GUILLERMO FLORES – DATA SCIENCE SPECIALIST
FRANCISCO RIVEROS – DATA SCIENCE SPECIALIST
03
PRESENTACION

06
OBJETIVOS

07
Índice de CONFORMACION DE LOS DATOS

contenidos 08
ANALISIS DE LOS DATOS

11
MODELOS DE MACHINE LEARNING

16
CONCLUSIONES
Presentacion
¿POR QUE LOS CLIENTES QUIEREN DEJAR LA EMPRESA?

Hace 20 años los desafíos de las operadoras de telecomunicaciones eran bastantes


simples, solo se tenían que preocupar que los clientes pudieran hacer llamadas y
enviar mensajes de textos, asegurando estos dos servicios los clientes estaban
bastantes conformes.
Con el tiempo llegaron nuevos servicios, tecnologías como 3G, LTE y el avance
del uso de internet para el consumo masivo trajo aparejado nuevos desafíos a las
TELCO, no solo a nivel Técnico sino también en como proveer un servicio al cliente
que sea satisfactorio.
Actualmente la competencia en el mercado y las exigencias de los clientes es
mucho mayor por lo que entender cuáles son las razones por las que un cliente
deja la companía son de gran valor. ya que como sabemos siempre es menos
costoso retener un cliente existente que obtener uno nuevo.
La ciencia de datos nos permite resolver este problema, con el histórico de la
información que tenemos de los subscriptores, hoy podemos entender mucho
mejor el comportamiento que lleva a un cliente a plantearse un cambio de
companía, y llevar a cabo estrategias mucho más efectivas orientadas a la
fidelización!
Objetivos
EXISTEN PATRONES QUE NOS PERMITA PREDECIR SI EL CLIENTE VA A DEJAR LA

COMPANIA?

ES POSIBLE A PARTIR DE LAS CONCLUSIONES APLICAR UN PLAN DE ACCION PARA

REDUCIR EL CHURN?
Conformacion de los Datos
Informacion Demografica

Servicio Contratados

Informacion de la Cuenta

Churn
Analisis Demografico

PERSONAS SIN PAREJA Y SIN HIJOS


PERSONAS MAYORES
Analisis De Servicios

SIN SOPORTE TECNICO


CON SERVICIO DE INTERNET POR FIBRA
OPTICA
Analisis Informacion de la cuenta

CONTRATOS A CORTO PLAZO


PAGOS CON CHEQUES ELECTRONICOS
MONTOS ELEVADOS
Modelos de machine Learning
ALGORITMOS DE CLASIFICACIÓN PROPUESTOS:

Decision Tree Random Forest K Near neighbors Support vector



machines

Metodología: Estudio de porcentajes de Aciertos


Decision Tree

Set de Entrenamiento set de evaluación


78,3 % 77,3 %
Random Forest

Set de Entrenamiento set de evaluación


99,7 % 79,6 %
K Near neighbors
(KNN)

Set de Entrenamiento set de evaluación


81,1 % 77,8 %
Support vector
machines
78,8 % Linear 77 % Polynomial

79,5 % Radial Basis 62,2 % Sigmoid


Conclusiones:
Un primer análisis de los datos nos permitió entender algunos indicadores que
estarían relacionados a altas tasas de churn, como ser las personas mayores o
solteros, tipos de contratos,montos y formas de cobro de los mismos. además de
ver que los servicios de fibra óptica y soporte técnico tienen una gran oportunidad
de mejora y de esta forma mejorar la experiencia del cliente.
El diseño de un modelo de machine learning nos permitirá trabajar con datos
nuevos y predecir si ciertos clientes pueden dejar la companía con cierta
confiabilidad y realizar acciones para retenerlos

DATA SA
Abril 2022

También podría gustarte