Browsing by Author "Pumarino Palombo, Constanza Valentina"
Now showing 1 - 1 of 1
- Results Per Page
- Sort Options
Thesis Predicción de fuga de clientes en aplicaciones móviles.(2018-12) Pumarino Palombo, Constanza Valentina; Almendras Riesco, David Leonardo; Departamento de Ingeniería Comercial; Acosta Espejo, Luis GonzaloLa presente memoria busca determinar un modelo de predicción de fuga y de segmentación de clientes basados en información histórica de usuarios de una aplicación móvil mediante técnicas de minería de datos utilizando la metodología KDD. Esta aplicación, perteneciente al rubro del entretenimiento, entrega un medio de comunicación entre empresas de variados rubros y los consumidores finales, permitiendo hacer campañas con promociones y beneficios comerciales las cuales poseen un club de fidelización que premia a los usuarios por medio de puntos acumulables canjeables por productos. El experimento consistió en la recolección de 3 meses de datos de nuevos usuarios registrados, para analizar el estado de los usuarios al 4to mes, clasificándolo como fugado si este no interactuaba con la aplicación en 30 días, obteniendo un nivel de fuga de clientes de un 44,25%. Se complementó con información relacionada al comportamiento de uso de la aplicación, como cantidad de mensajes recibidos y enviados, cantidad de puntos acumulados y canjeados. También se utilizó información demográfica, características del dispositivo móvil y variables temporales de tiempos de uso. Por otra parte, los datos se sometieron a un proceso de clasificación de clusters, analizando los tipos de usuarios y las características de cada grupo, obteniendo 4 tipos de clientes, segmentados por el nivel de uso de la aplicación, identificando que los primeros 10 días de uso son críticos para la retención. Para la predicción de fuga se compararon 7 modelos distintos, siendo Gradient Boosted Tree el con mejor rendimiento, alcanzando una exactitud de 91,1% pero con un tiempo de ejecución muy elevado en comparación al resto, seguido por Deep Learning que alcanzando un 89,2% 27 veces más rápido que el primer modelo. Se concluye el estudio con un análisis de los resultados, identificando los atributos claves para la retención de clientes y proponiendo posibles cursos de acción para el manejo de clientes a futuro.
Política de Privacidad 
