Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel

Descripción del Articulo

Según datos del Banco Mundial, la industria de las telecomunicaciones enfrenta cada año a una fuga de clientes que bordea el 30%. Estudios recientes han mostrado que tanto atributos cuantitativos: cantidad de minutos, mensajes, etc.; así como los cualitativos: edad, sexo, tipo de dispositivo tienen...

Descripción completa

Detalles Bibliográficos
Autores: Bernachea Collazos, Carla Benedicta, Chilet Paisig, Edward, Guzmán Fernández, Paola, Inche Contreras, Victor Hugo, Leon Munive, Johana Mayra
Formato: tesis de grado
Fecha de Publicación:2021
Institución:Universidad ESAN
Repositorio:ESAN-Institucional
Lenguaje:español
OAI Identifier:oai:repositorio.esan.edu.pe:20.500.12640/2929
Enlace del recurso:https://hdl.handle.net/20.500.12640/2929
Nivel de acceso:acceso abierto
Materia:Inteligencia artificial
Algoritmos
Probabilidad
Análisis regresivo
Predicciones
Comportamiento del consumidor
Logística
Lealtad del cliente
Industria de telecomunicaciones
https://purl.org/pe-repo/ocde/ford#2.11.04
https://purl.org/pe-repo/ocde/ford#5.02.04
id ESAN_542a90c278c4748477bf4f9cafd30c45
oai_identifier_str oai:repositorio.esan.edu.pe:20.500.12640/2929
network_acronym_str ESAN
network_name_str ESAN-Institucional
repository_id_str 4835
dc.title.es_ES.fl_str_mv Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
title Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
spellingShingle Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
Bernachea Collazos, Carla Benedicta
Inteligencia artificial
Algoritmos
Probabilidad
Análisis regresivo
Predicciones
Comportamiento del consumidor
Logística
Lealtad del cliente
Industria de telecomunicaciones
https://purl.org/pe-repo/ocde/ford#2.11.04
https://purl.org/pe-repo/ocde/ford#5.02.04
title_short Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
title_full Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
title_fullStr Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
title_full_unstemmed Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
title_sort Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
author Bernachea Collazos, Carla Benedicta
author_facet Bernachea Collazos, Carla Benedicta
Chilet Paisig, Edward
Guzmán Fernández, Paola
Inche Contreras, Victor Hugo
Leon Munive, Johana Mayra
author_role author
author2 Chilet Paisig, Edward
Guzmán Fernández, Paola
Inche Contreras, Victor Hugo
Leon Munive, Johana Mayra
author2_role author
author
author
author
dc.contributor.advisor.fl_str_mv Fabian Arteaga, Junior John
dc.contributor.author.fl_str_mv Bernachea Collazos, Carla Benedicta
Chilet Paisig, Edward
Guzmán Fernández, Paola
Inche Contreras, Victor Hugo
Leon Munive, Johana Mayra
dc.subject.es_ES.fl_str_mv Inteligencia artificial
Algoritmos
Probabilidad
Análisis regresivo
Predicciones
Comportamiento del consumidor
Logística
Lealtad del cliente
Industria de telecomunicaciones
topic Inteligencia artificial
Algoritmos
Probabilidad
Análisis regresivo
Predicciones
Comportamiento del consumidor
Logística
Lealtad del cliente
Industria de telecomunicaciones
https://purl.org/pe-repo/ocde/ford#2.11.04
https://purl.org/pe-repo/ocde/ford#5.02.04
dc.subject.ocde.none.fl_str_mv https://purl.org/pe-repo/ocde/ford#2.11.04
https://purl.org/pe-repo/ocde/ford#5.02.04
description Según datos del Banco Mundial, la industria de las telecomunicaciones enfrenta cada año a una fuga de clientes que bordea el 30%. Estudios recientes han mostrado que tanto atributos cuantitativos: cantidad de minutos, mensajes, etc.; así como los cualitativos: edad, sexo, tipo de dispositivo tienen influencia en la fuga de clientes. En base a la literatura encontrada se definieron dos tipos de variables: demográficas y del comportamiento del consumidor las cuales son útiles para realizar la predicción de permanencia del cliente. Es por eso que haciendo uso de la técnica de regresión logística, se busca predecir la probabilidad de fuga de los clientes (Churn) de la empresa Bitel. Se realizó un exhaustivo trabajo de preprocesamiento y se llegó a entrenar un modelo de regresión logística con un accuracy score de 88%
publishDate 2021
dc.date.accessioned.none.fl_str_mv 2022-02-17T20:42:18Z
dc.date.available.none.fl_str_mv 2022-02-17T20:42:18Z
dc.date.issued.fl_str_mv 2021
dc.type.none.fl_str_mv info:eu-repo/semantics/bachelorThesis
dc.type.other.none.fl_str_mv Trabajo de suficiencia profesional
format bachelorThesis
dc.identifier.uri.none.fl_str_mv https://hdl.handle.net/20.500.12640/2929
url https://hdl.handle.net/20.500.12640/2929
dc.language.none.fl_str_mv Español
dc.language.iso.none.fl_str_mv spa
language_invalid_str_mv Español
language spa
dc.relation.ispartof.fl_str_mv SUNEDU
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
dc.rights.uri.none.fl_str_mv http://creativecommons.org/licenses/by/4.0/
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by/4.0/
dc.format.none.fl_str_mv application/pdf
dc.coverage.spatial.none.fl_str_mv Perú
dc.publisher.none.fl_str_mv Universidad ESAN
dc.publisher.country.none.fl_str_mv PE
publisher.none.fl_str_mv Universidad ESAN
dc.source.none.fl_str_mv reponame:ESAN-Institucional
instname:Universidad ESAN
instacron:ESAN
instname_str Universidad ESAN
instacron_str ESAN
institution ESAN
reponame_str ESAN-Institucional
collection ESAN-Institucional
bitstream.url.fl_str_mv https://repositorio.esan.edu.pe/bitstreams/25dfbcec-5472-40e7-89b3-4775cc911cb9/download
https://repositorio.esan.edu.pe/bitstreams/b227c74f-2f75-4d66-b71a-808a3e481c04/download
https://repositorio.esan.edu.pe/bitstreams/b63e01b9-6001-4419-8a50-7b54d3cf5009/download
https://repositorio.esan.edu.pe/bitstreams/d37fc8d7-117e-43aa-808c-c626c2854694/download
https://repositorio.esan.edu.pe/bitstreams/bf0a022c-4f5f-4987-95dc-557935664113/download
bitstream.checksum.fl_str_mv 244031578a82e76cd444ada64c96d3f2
5a4ffbc01f1b5eb70a835dac0d501661
8a4605be74aa9ea9d79846c1fba20a33
37a058e5de3aeb40ea6be67de9104e0f
7bebdd8c3cca721942bda625be03a578
bitstream.checksumAlgorithm.fl_str_mv MD5
MD5
MD5
MD5
MD5
repository.name.fl_str_mv Repositorio Institucional ESAN
repository.mail.fl_str_mv repositorio@esan.edu.pe
_version_ 1843261935822307328
spelling Fabian Arteaga, Junior JohnBernachea Collazos, Carla BenedictaChilet Paisig, EdwardGuzmán Fernández, PaolaInche Contreras, Victor HugoLeon Munive, Johana MayraPerú2022-02-17T20:42:18Z2022-02-17T20:42:18Z2021https://hdl.handle.net/20.500.12640/2929Según datos del Banco Mundial, la industria de las telecomunicaciones enfrenta cada año a una fuga de clientes que bordea el 30%. Estudios recientes han mostrado que tanto atributos cuantitativos: cantidad de minutos, mensajes, etc.; así como los cualitativos: edad, sexo, tipo de dispositivo tienen influencia en la fuga de clientes. En base a la literatura encontrada se definieron dos tipos de variables: demográficas y del comportamiento del consumidor las cuales son útiles para realizar la predicción de permanencia del cliente. Es por eso que haciendo uso de la técnica de regresión logística, se busca predecir la probabilidad de fuga de los clientes (Churn) de la empresa Bitel. Se realizó un exhaustivo trabajo de preprocesamiento y se llegó a entrenar un modelo de regresión logística con un accuracy score de 88%application/pdfEspañolspaUniversidad ESANPEinfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by/4.0/Inteligencia artificialAlgoritmosProbabilidadAnálisis regresivoPrediccionesComportamiento del consumidorLogísticaLealtad del clienteIndustria de telecomunicacioneshttps://purl.org/pe-repo/ocde/ford#2.11.04https://purl.org/pe-repo/ocde/ford#5.02.04Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitelinfo:eu-repo/semantics/bachelorThesisTrabajo de suficiencia profesionalreponame:ESAN-Institucionalinstname:Universidad ESANinstacron:ESANSUNEDUIngeniero Industrial y ComercialUniversidad ESAN. Facultad de IngenieríaIngeniería Industrial y Comercial44749148https://orcid.org/0000-0001-9804-77957133791473626301422161284647569274736566https://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesionalhttps://purl.org/pe-repo/renati/level#tituloProfesional722056Chávez Rojas, MónicaLizarzaburu Bolaños, EdmundoAcceso abiertoORIGINAL2021_IIC_21-2_06_TC.pdf2021_IIC_21-2_06_TC.pdfTexto completoapplication/pdf2129424https://repositorio.esan.edu.pe/bitstreams/25dfbcec-5472-40e7-89b3-4775cc911cb9/download244031578a82e76cd444ada64c96d3f2MD51trueAnonymousREADCC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-8914https://repositorio.esan.edu.pe/bitstreams/b227c74f-2f75-4d66-b71a-808a3e481c04/download5a4ffbc01f1b5eb70a835dac0d501661MD52falseAnonymousREADLICENSElicense.txtlicense.txttext/plain; charset=utf-81748https://repositorio.esan.edu.pe/bitstreams/b63e01b9-6001-4419-8a50-7b54d3cf5009/download8a4605be74aa9ea9d79846c1fba20a33MD53falseAnonymousREADTHUMBNAIL2021_IIC_21-2_06_TC.pdf.jpg2021_IIC_21-2_06_TC.pdf.jpgGenerated Thumbnailimage/jpeg3388https://repositorio.esan.edu.pe/bitstreams/d37fc8d7-117e-43aa-808c-c626c2854694/download37a058e5de3aeb40ea6be67de9104e0fMD57falseAnonymousREADTEXT2021_IIC_21-2_06_TC.pdf.txt2021_IIC_21-2_06_TC.pdf.txtExtracted texttext/plain101867https://repositorio.esan.edu.pe/bitstreams/bf0a022c-4f5f-4987-95dc-557935664113/download7bebdd8c3cca721942bda625be03a578MD56falseAnonymousREAD20.500.12640/2929oai:repositorio.esan.edu.pe:20.500.12640/29292025-07-10 17:33:09.251http://creativecommons.org/licenses/by/4.0/info:eu-repo/semantics/openAccessopen.accesshttps://repositorio.esan.edu.peRepositorio Institucional ESANrepositorio@esan.edu.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
score 13.830655
Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel
Nota importante:
La información contenida en este registro es de entera responsabilidad de la institución que gestiona el repositorio institucional donde esta contenido este documento o set de datos. El CONCYTEC no se hace responsable por los contenidos (publicaciones y/o datos) accesibles a través del Repositorio Nacional Digital de Ciencia, Tecnología e Innovación de Acceso Abierto (ALICIA).

Ejemplares Similares