Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil

Descripción del Articulo

El objetivo de esta investigación tiene como propósito comparar un modelo de predicción de fuga de clientes en una empresa de telefonía móvil. El modelo propuesto fue el algoritmo Adaboost, el cual se desarrolla a través de aprendizaje adaptativo. Para probar su eficiencia se comparó con la regresió...

Descripción completa

Detalles Bibliográficos
Autores: Meza Rodríguez, Aldo Richard, Chue Gallardo, Jorge
Formato: artículo
Fecha de Publicación:2020
Institución:Universidad Nacional Agraria La Molina
Repositorio:Revistas - Universidad Nacional Agraria La Molina
Lenguaje:español
OAI Identifier:oai:revistas.lamolina.edu.pe:article/1610
Enlace del recurso:https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610
Nivel de acceso:acceso abierto
Materia:Algoritmo Adaboost
regresión logística
datos desbalanceados
medidas de desempeño
curva roc
validación cruzada
fuga de clientes.
id REVUNALM_796fd1a55ad3c7a71cd1e7946aa3a595
oai_identifier_str oai:revistas.lamolina.edu.pe:article/1610
network_acronym_str REVUNALM
network_name_str Revistas - Universidad Nacional Agraria La Molina
repository_id_str
spelling Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvilMeza Rodríguez, Aldo RichardChue Gallardo, JorgeAlgoritmo Adaboostregresión logísticadatos desbalanceadosmedidas de desempeñocurva rocvalidación cruzadafuga de clientes.El objetivo de esta investigación tiene como propósito comparar un modelo de predicción de fuga de clientes en una empresa de telefonía móvil. El modelo propuesto fue el algoritmo Adaboost, el cual se desarrolla a través de aprendizaje adaptativo. Para probar su eficiencia se comparó con la regresión logística desde la perspectiva de la minería de datos. Como la variable objetivo de respuesta era desbalanceada se utilizó procedimientos de muestreo para equilibrar los datos (sub-muestreo, sobre-muestreo y SMOTE). Las medidas de desempeño para elegir el modelo fueron la precisión, el recall (sensibilidad), el F-mesausre y el AUC (curvas ROC). La precisión, el recall y el F-mesuare arrojaron rendimientos superiores a favor del algoritmo Adaboost, también la medida principal de desempeño dio un AUC=0,93 para el Adaboost, frente a un AUC=0,86 para la regresión logística. Realizadas todas las comparaciones, la validación y las medidas de desempeño, en conclusión, el modelo óptimo para la predicción de fuga de clientes en la empresa de telefonía móvil es el algoritmo Adaboost. Finalmente, con este algoritmo se detectó que las variables más importantes para entender el patrón de fuga de los clientes fueron el tipo de reclamo, rol del cliente, comunidad (relación del cliente con otros contactos), tipo de cliente, número de reclamos, número de llamadas, nota del cliente y MOU.Universidad Nacional Agraria La Molina2020-12-30info:eu-repo/semantics/articleinfo:eu-repo/semantics/publishedVersionapplication/pdftext/htmlhttps://revistas.lamolina.edu.pe/index.php/ne/article/view/161010.21704/ne.v5i2.1610Natura@economía; Vol. 5 Núm. 2 (2020): Julio a Diciembre; 102-117Natura@economía; Vol. 5 No. 2 (2020): Julio a Diciembre; 102-1172226-9479reponame:Revistas - Universidad Nacional Agraria La Molinainstname:Universidad Nacional Agraria La Molinainstacron:UNALMspahttps://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/pdf_19https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/html_41Derechos de autor 2021 Aldo Richard Meza Rodríguez, Jorge Chue Gallardoinfo:eu-repo/semantics/openAccessoai:revistas.lamolina.edu.pe:article/16102022-03-03T16:33:12Z
dc.title.none.fl_str_mv Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
title Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
spellingShingle Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
Meza Rodríguez, Aldo Richard
Algoritmo Adaboost
regresión logística
datos desbalanceados
medidas de desempeño
curva roc
validación cruzada
fuga de clientes.
title_short Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
title_full Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
title_fullStr Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
title_full_unstemmed Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
title_sort Uso del algoritmo Adaboost y la regresión logística para la predicción de fuga de clientes en una empresa de telefonía móvil
dc.creator.none.fl_str_mv Meza Rodríguez, Aldo Richard
Chue Gallardo, Jorge
author Meza Rodríguez, Aldo Richard
author_facet Meza Rodríguez, Aldo Richard
Chue Gallardo, Jorge
author_role author
author2 Chue Gallardo, Jorge
author2_role author
dc.subject.none.fl_str_mv Algoritmo Adaboost
regresión logística
datos desbalanceados
medidas de desempeño
curva roc
validación cruzada
fuga de clientes.
topic Algoritmo Adaboost
regresión logística
datos desbalanceados
medidas de desempeño
curva roc
validación cruzada
fuga de clientes.
description El objetivo de esta investigación tiene como propósito comparar un modelo de predicción de fuga de clientes en una empresa de telefonía móvil. El modelo propuesto fue el algoritmo Adaboost, el cual se desarrolla a través de aprendizaje adaptativo. Para probar su eficiencia se comparó con la regresión logística desde la perspectiva de la minería de datos. Como la variable objetivo de respuesta era desbalanceada se utilizó procedimientos de muestreo para equilibrar los datos (sub-muestreo, sobre-muestreo y SMOTE). Las medidas de desempeño para elegir el modelo fueron la precisión, el recall (sensibilidad), el F-mesausre y el AUC (curvas ROC). La precisión, el recall y el F-mesuare arrojaron rendimientos superiores a favor del algoritmo Adaboost, también la medida principal de desempeño dio un AUC=0,93 para el Adaboost, frente a un AUC=0,86 para la regresión logística. Realizadas todas las comparaciones, la validación y las medidas de desempeño, en conclusión, el modelo óptimo para la predicción de fuga de clientes en la empresa de telefonía móvil es el algoritmo Adaboost. Finalmente, con este algoritmo se detectó que las variables más importantes para entender el patrón de fuga de los clientes fueron el tipo de reclamo, rol del cliente, comunidad (relación del cliente con otros contactos), tipo de cliente, número de reclamos, número de llamadas, nota del cliente y MOU.
publishDate 2020
dc.date.none.fl_str_mv 2020-12-30
dc.type.none.fl_str_mv info:eu-repo/semantics/article
info:eu-repo/semantics/publishedVersion
format article
status_str publishedVersion
dc.identifier.none.fl_str_mv https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610
10.21704/ne.v5i2.1610
url https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610
identifier_str_mv 10.21704/ne.v5i2.1610
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/pdf_19
https://revistas.lamolina.edu.pe/index.php/ne/article/view/1610/html_41
dc.rights.none.fl_str_mv Derechos de autor 2021 Aldo Richard Meza Rodríguez, Jorge Chue Gallardo
info:eu-repo/semantics/openAccess
rights_invalid_str_mv Derechos de autor 2021 Aldo Richard Meza Rodríguez, Jorge Chue Gallardo
eu_rights_str_mv openAccess
dc.format.none.fl_str_mv application/pdf
text/html
dc.publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
publisher.none.fl_str_mv Universidad Nacional Agraria La Molina
dc.source.none.fl_str_mv Natura@economía; Vol. 5 Núm. 2 (2020): Julio a Diciembre; 102-117
Natura@economía; Vol. 5 No. 2 (2020): Julio a Diciembre; 102-117
2226-9479
reponame:Revistas - Universidad Nacional Agraria La Molina
instname:Universidad Nacional Agraria La Molina
instacron:UNALM
instname_str Universidad Nacional Agraria La Molina
instacron_str UNALM
institution UNALM
reponame_str Revistas - Universidad Nacional Agraria La Molina
collection Revistas - Universidad Nacional Agraria La Molina
repository.name.fl_str_mv
repository.mail.fl_str_mv
_version_ 1845795039568986112
score 12.9931
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).