Modelo de predicción de clientes que darán de baja el servicio HFC basado en redes neuronales en la ciudad de Moquegua.

• Autor: Huerta Laura, Luis Enrique
• Formato: tesis de grado
• Fecha de Publicación: 2021
• Institución: Universidad Nacional de Moquegua
• Repositorio: UNAM-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.unam.edu.pe:20.500.14655/246
• Enlace del recurso: https://hdl.handle.net/20.500.14655/246
• Nivel de acceso: acceso abierto
• Materia: Clientes; Redes neuronales; Modelo de predicción; http://purl.org/pe-repo/ocde/ford#2.00.00

La investigación surge al observar el comportamiento de los clientes desde el año 2014 al 2020 en promedio el porcentaje de bajas es de 59.66%, dado que los clientes son uno de los principales elementos de toda empresa, es más costoso el que ingrese un nuevo cliente, a diferencia del cliente que permanece, el porcentaje que arroja la investigación es alto para la tasa de abandono de clientes. La presente investigación tiene como principal objetivo desarrollar un modelo de predicción de clientes que dará de baja el servicio HFC, basado en Redes Neuronales con la finalidad de predecir clientes que en un determinado tiempo desistirán o darán de baja el servicio HFC, para poder plantear estrategias de retención y tener el porcentaje de bajas a su margen. Se tiene investigaciones modelo, por ello se pretende analizar la data y determinar las variables idóneas para modelar un algoritmo de machine learning, en la actualidad existen múltiples metodologías de investigación, siendo una de las más utilizadas por el amplio estudio en inteligencia artificial, emplean la metodología CRISP DM para desarrollar diversos modelos de predicción teniendo un enfoque enlazado de los objetivos de la metodología con los de la investigación, la investigación es descriptiva cuasi-experimental, con una población de 6793 que representa el 100%, esta data se encuentra particionada al 30% para testear el modelo y el 70% para el entrenamiento del modelo, finalmente este modelo permite estructurar y clasificar la data, para posteriormente ser procesada, aplicándose métricas como precisión, recall, f1-score y support, curva ROC con la finalidad de brindar calidad, objetividad y cuantificabilidad, aplicando una técnica de validación cruzada para analizar los resultados y hacer un ajuste en las derivadas, aplicando dos experimentos en la fase de modelamiento, manipulando la cantidad de neuronas en las capas ocultas, aplicando tres algoritmos de optimización Adam, Sgd y Rmsprop, donde se obtuvo una precisión por Adam del 98%.