Desarrollo de un modelo predictivo para la propensión de la renovación de equipos móviles en clientes corporativos mediante técnicas de Machine Learning

Abstract

La renovación de equipos móviles en clientes corporativos es un factor clave en la planificación estratégica de las empresas de telecomunicaciones. Sin embargo, identificar qué clientes tienen mayor propensión a renovar sus dispositivos sigue siendo un desafío. En este estudio, se compararon diferentes modelos de Machine Learning para estimar la probabilidad de renovación de equipos móviles en clientes corporativos. Por ello, se recopilaron diversas fuentes de datos para analizar el comportamiento de los clientes incluyendo el historial de líneas móviles, patrones de consumo, penalizaciones y otros factores determinantes en la decisión de renovación. Luego, se entrenaron distintos algoritmos de aprendizaje supervisado como Logistic Regression, Decision Trees, Random Forest, XGBoost, LightGBM y CatBoost. Dado el desbalance de la data, se seleccionó la métrica AUC como criterio principal de evaluación. Además, se implementó un proceso de optimización de hiperparámetros para mejorar el rendimiento de cada modelo. Los resultados muestran que el modelo optimizado LightGBM tuvo el mejor desempeño en el conjunto de validación con un AUC de 0.8191. Esto evidencia el potencial de los modelos de Machine Learning para predecir la propensión de renovación de equipos móviles y mejorar la toma de decisiones estratégicas en el sector de telecomunicaciones.