Publication:
PREDICCIÓN DE FUGA DE CLIENTES EN APLICACIONES MÓVILES

Simple item page
dc.contributor.advisorACOSTA ESPEJO, LUIS GONZALO
dc.contributor.authorPUMARINO PALOMBO, CONSTANZA VALENTINA
dc.contributor.departmentUniversidad Técnica Federico Santa María. Departamento de Ingeniería Comerciales_CL
dc.contributor.otherALMENDRAS RIESCO, DAVID LEONARDO
dc.coverage.spatialCampus Vitacura, Santiagoes_CL
dc.date.accessioned2019-08-07T14:37:47Z
dc.date.available2019-08-07T14:37:47Z
dc.date.issued2018-12
dc.description.abstractLa 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.es_CL
dc.description.degreeINGENIERO COMERCIALes_CL
dc.description.programUNIVERSIDAD TÉCNICA FEDERICO SANTA MARÍA UTFSM. DEPARTAMENTO DE INGENIERÍA COMERCIAL. INGENIERÍA COMERCIALes_CL
dc.format.extent45 h.es_CL
dc.identifier.barcode3560902049136es_CL
dc.identifier.urihttps://hdl.handle.net/11673/46973
dc.subjectMINERÍA DE DATOSes_CL
dc.subjectCOMPORTAMIENTO DEL CONSUMIDORes_CL
dc.subjectSATISFACCIÓN DEL CONSUMIDORes_CL
dc.titlePREDICCIÓN DE FUGA DE CLIENTES EN APLICACIONES MÓVILESes_CL
dc.typeTesis de Pregrado
dspace.entity.typePublication
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
3560902049136UTFSM.pdf
Size:
1.27 MB
Format:
Adobe Portable Document Format
Description:
Download
Collections
TESIS de Pregrado de acceso ABIERTO