La predicción de la baja de clientes (churn) es un aspecto clave en la estrategia de retención en el sector de las telecomunicaciones, donde la competencia es intensa y los costes de captación de nuevos usuarios son elevados. MásMóvil, uno de los principales operadores en España, busca anticiparse a este fenómeno mediante técnicas avanzadas de analítica de datos y aprendizaje automático.
Este Trabajo se enmarca en un proyecto real de la compañía y tiene como objetivo desarrollar un modelo de churn que permita identificar clientes con alta probabilidad de abandono.
El estudio compara algoritmos de machine learning tradicionales y técnicas de deep learning, evaluando su rendimiento mediante un benchmark. Además, se incorporaron técnicas de explicabilidad claves para el negocio, con el objetivo de interpretar el comportamiento del modelo profundo.
Este proyecto combina la investigación académica con una aplicación directa en un entorno empresarial real, ofreciendo una solución práctica y eficiente al problema de la fuga de clientes.
Abstract:
Customer churn prediction is a key aspect of retention strategy in the telecommunications sector, where competition is intense and customer acquisition costs are high. MásMóvil, one of the leading operators in Spain, aims to anticipate this phenomenon through advanced data analytics and machine learning techniques.
This work is part of a real company project and aims to develop a churn model that can identify customers with a high likelihood of leaving.
The study compares traditional machine learning algorithms with deep learning techniques, evaluating their performance through benchmarking. In addition, explainability techniques crucial to the business were incorporated to interpret the behavior of the deep model.
This project combines academic research with direct application in a real business environment, offering a practical and efficient solution to the customer churn problem.
La predicción de la baja de clientes (churn) es un aspecto clave en la estrategia de retención en el sector de las telecomunicaciones, donde la competencia es intensa y los costes de captación de nuevos usuarios son elevados. MásMóvil, uno de los principales operadores en España, busca anticiparse a este fenómeno mediante técnicas avanzadas de analítica de datos y aprendizaje automático.
Este Trabajo se enmarca en un proyecto real de la compañía y tiene como objetivo desarrollar un modelo de churn que permita identificar clientes con alta probabilidad de abandono.
El estudio compara algoritmos de machine learning tradicionales y técnicas de deep learning, evaluando su rendimiento mediante un benchmark. Además, se incorporaron técnicas de explicabilidad claves para el negocio, con el objetivo de interpretar el comportamiento del modelo profundo.
Este proyecto combina la investigación académica con una aplicación directa en un entorno empresarial real, ofreciendo una solución práctica y eficiente al problema de la fuga de clientes.
Abstract:
Customer churn prediction is a key aspect of retention strategy in the telecommunications sector, where competition is intense and customer acquisition costs are high. MásMóvil, one of the leading operators in Spain, aims to anticipate this phenomenon through advanced data analytics and machine learning techniques.
This work is part of a real company project and aims to develop a churn model that can identify customers with a high likelihood of leaving.
The study compares traditional machine learning algorithms with deep learning techniques, evaluating their performance through benchmarking. In addition, explainability techniques crucial to the business were incorporated to interpret the behavior of the deep model.
This project combines academic research with direct application in a real business environment, offering a practical and efficient solution to the customer churn problem. Read More
Related posts:
El uso del procesamiento del lenguaje natural para la predicción de fugas de clientes: economización de recursos usando embeddings
Uso de Algoritmos para verificación de KPIs obtenidos tras llamadas de Churn
Análisis comparativo de librerías de series temporales para la predicción del tráfico en diversas antenas de MásMóvil
Análisis de sentimientos de clientes en llamadas
Mejora de la clasificación de imágenes de satélite mediante el diseño y evaluación de modelos de redes de convolución con transfer learning
Dynamic model to characterise sectors using machine learning techniques