Sistema analítico integral para mejorar la toma de decisiones y evaluar la efectividad de herramientas de retención utilizando machine learning y power BI en una empresa de telecomunicaciones en el Perú

• Autores: Barzola Gonzales, Hector Ronaldo, Ramirez Aguero, Jolyfer
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana de Ciencias Aplicadas
• Repositorio: UPC-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorioacademico.upc.edu.pe:10757/687814
• Enlace del recurso: http://hdl.handle.net/10757/687814
• Nivel de acceso: acceso abierto
• Materia: Retención de Clientes; Random Forest; Power BI; Analítica Avanzada; Promociones Personalizadas; Customer Retention; Advanced Analytics; Personalized Promotions; https://purl.org/pe-repo/ocde/ford#2.00.00; https://purl.org/pe-repo/ocde/ford#1.02.01

En el sector de telecomunicaciones, la retención de clientes es un desafío clave debido a la alta competencia y la portabilidad numérica, que permite a los usuarios cambiar de operador con facilidad. En esta empresa se telecomunicaciones, ofrecer promociones personalizadas es fundamental, pero la gestión dispersa y manual puede generar errores, afectando la efectividad de las estrategias de fidelización. Se implementó un algoritmo de Machine Learning (ML) en Python conectado vía una Interfaz de Programación de Aplicaciones (API) para predecir la efectividad de promociones, optimizando decisiones y reduciendo errores. El sistema se integra con Power BI mediante el Lenguaje de Expresiones de Análisis de Datos (DAX) y el Lenguaje M para el modelado, procesos de Extracción, Transformación y Carga (ETL), creación de Indicadores Clave de Desempeño (KPI) e informes dinámicos, complementándose con Power Automate, Computación en la Nube y SharePoint para asegurar automatización, escalabilidad y disponibilidad de la información. Para lograr esto, se utilizó un método cuantitativo que incluyó la depuración de 386.392 registros, la creación de 17 KPI estratégicos, la automatización de procesos mediante Power Automate y la construcción de un modelo predictivo basado en un conjunto de datos preparado con 13 características clave. Además, se administró un cuestionario de validación basado en la norma ISO 9241 a 10 ingenieros de sistemas, obteniendo un coeficiente alfa de Cronbach general del 86%, lo que indica la fiabilidad del instrumento. Los resultados globales muestran que el 99.98 % de los datos disponibles fueron procesados, el modelo predictivo seleccionado alcanzó un 91 % de precisión, la automatización alcanzó el 100%, garantizando resultados sólidos y confiables para la toma de decisiones gerenciales.