Técnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Bitel

Simple item page
dc.contributor.advisorFabian Arteaga, Junior Jhon
dc.contributor.authorBernachea Collazos, Carla Benedicta
dc.contributor.authorChilet Paisig, Edward
dc.contributor.authorGuzmán Fernández, Paola
dc.contributor.authorInche Contreras, Victor Hugo
dc.contributor.authorLeon Munive, Johana Mayra
dc.coverage.spatialPerú
dc.date.accessioned2022-02-17T20:42:18Z
dc.date.available2022-02-17T20:42:18Z
dc.date.issued2021
dc.description.abstractSegún datos del Banco Mundial, la industria de las telecomunicaciones enfrenta cada año a una fuga de clientes que bordea el 30%. Estudios recientes han mostrado que tanto atributos cuantitativos: cantidad de minutos, mensajes, etc.; así como los cualitativos: edad, sexo, tipo de dispositivo tienen influencia en la fuga de clientes. En base a la literatura encontrada se definieron dos tipos de variables: demográficas y del comportamiento del consumidor las cuales son útiles para realizar la predicción de permanencia del cliente. Es por eso que haciendo uso de la técnica de regresión logística, se busca predecir la probabilidad de fuga de los clientes (Churn) de la empresa Bitel. Se realizó un exhaustivo trabajo de preprocesamiento y se llegó a entrenar un modelo de regresión logística con un accuracy score de 88%es_ES
dc.formatapplication/pdfes_ES
dc.identifier.urihttps://hdl.handle.net/20.500.12640/2929
dc.language.isospaes_ES
dc.publisherUniversidad ESANes_ES
dc.publisher.countryPEes_ES
dc.rightsinfo:eu-repo/semantics/openAccesses_ES
dc.rightsAtribución 2.5 Perú*
dc.rights.urihttp://creativecommons.org/licenses/by/2.5/pe/*
dc.subjectInteligencia artificiales_ES
dc.subjectAlgoritmoses_ES
dc.subjectProbabilidades_ES
dc.subjectAnálisis regresivoes_ES
dc.subjectPrediccioneses_ES
dc.subjectComportamiento del consumidores_ES
dc.subjectLogísticaes_ES
dc.subjectLealtad del clientees_ES
dc.subjectIndustria de telecomunicacioneses_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#2.11.04es_ES
dc.subject.ocdehttps://purl.org/pe-repo/ocde/ford#5.02.04es_ES
dc.titleTécnica de Machine Learning para el cálculo de la probabilidad de fuga de los clientes de la empresa Biteles_ES
dc.typeinfo:eu-repo/semantics/bachelorThesises_ES
dc.type.otherTrabajo de suficiencia profesionales_ES
renati.advisor.dni44749148
renati.advisor.orcidhttps://orcid.org/0000-0001-9804-7795es_ES
renati.author.dni71337914
renati.author.dni73626301
renati.author.dni42216128
renati.author.dni46475692
renati.author.dni74736566
renati.discipline722056es_ES
renati.jurorChávez Rojas, Mónica
renati.jurorLizarzaburu Bolaños, Edmundo
renati.levelhttps://purl.org/pe-repo/renati/level#tituloProfesionales_ES
renati.typehttps://purl.org/pe-repo/renati/type#trabajoDeSuficienciaProfesionales_ES
thesis.degree.disciplineIngeniería Industrial y Comerciales_ES
thesis.degree.grantorUniversidad ESAN. Facultad de Ingenieríaes_ES
thesis.degree.nameIngeniero Industrial y Comerciales_ES
Files
Original bundle
Now showing 1 - 1 of 1
Thumbnail Image
Name:
2021_IIC_21-2_06_TC.pdf
Size:
2.03 MB
Format:
Adobe Portable Document Format
Description:
Texto completo
Download
License bundle
Now showing 1 - 1 of 1
No Thumbnail Available
Name:
license.txt
Size:
1.71 KB
Format:
Item-specific license agreed upon to submission
Description:
Download
Collections
Ingeniería Industrial Comercial