Modelo predictivo para la medición de la tasa de cancelación de clientes para una empresa de telecomunicaciones

Abstract

El presente proyecto desarrolla un modelo predictivo basado en aprendizaje supervisado para estimar la probabilidad de cancelación (churn) de clientes del segmento pospago en una empresa de telecomunicaciones en Colombia. El análisis parte de un enfoque cuantitativo y explicativo, empleando técnicas de machine learning como regresión logística, árboles de decisión y XGBoost. La información utilizada se obtuvo de una base de datos histórica que incluye variables demográficas, técnicas y de comportamiento del cliente, las cuales fueron procesadas mediante flujos ETL y analizadas en Python. Durante el desarrollo del modelo se aplicaron técnicas de limpieza, codificación de variables, balanceo de clases y validación cruzada. El modelo XGBoost presentó el mejor desempeño predictivo, alcanzando una precisión del 63% y un AUC de 0.73. Se identificaron variables clave como el tiempo de permanencia, el consumo de datos móviles y el historial de pagos como determinantes del abandono. Los resultados fueron integrados en un dashboard interactivo en Power BI, facilitando la visualización de clientes en riesgo y la toma de decisiones estratégicas. Este trabajo contribuye a optimizar las estrategias de retención, proponiendo acciones concretas basadas en perfiles de riesgo. Además, demuestra el valor de la analítica predictiva como herramienta clave en la sostenibilidad del sector de telecomunicaciones.