Especialización en Analítica y Ciencia de Datos · 2025
Modelo de clasificación predictiva de renovación: Caso de estudio en una empresa funeraria
En el presente trabajo se implementan metodologías de clasificación supervisada para predecir si un cliente renueva o no su cobertura al servicio de asistencias de la línea de negocio de Previsión en la Previsora Social Cooperativa Vivir, ya que impacta directamente en la sostenibilidad del negocio a largo plazo. De ahí que, el objetivo de este trabajo es implementar métodos de machine learning para identificar patrones y características relevantes de los clientes, tal que se pueda segmentar y priorizar los esfuerzos de retención de manera más eficiente. De esta forma, se optimizarán los recursos en las campañas de fidelización y se maximizará el impacto de las acciones comerciales. El modelo también brindará insights valiosos sobre los factores que influyen en la renovación de contratos, facilitando decisiones más informadas y estrategias más efectivas para mejorar la tasa de renovación y garantizar la sostenibilidad del negocio a largo plazo. Se utilizan metodologías cómo árboles de decisión, Ramdom Forest y Redes Neuronales con la optimización de hiperparámetros. Se obtuvieron resultados que permiten realizar la correspondiente clasificación con un alto índice precisión.
Texto completo 14 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- Introducciónp. 6
- Materiales y Métodosp. 7
- Descripción del conjunto de datosp. 7
- Procesamiento y limpieza de los datosp. 7
- Escalado y normalizaciónp. 7
- Cálculo y eliminación de valores atípicosp. 8
- Análisis exploratoriop. 8
- Entrenamiento de modelosp. 9
- Árboles de decisiónp. 9
- Random Forestp. 9
- Redes neuronalesp. 10
- Métricas de evaluaciónp. 11
- Resultados y Discusiónp. 11
- Conclusionesp. 13
- Referenciasp. 13
- Figura 1. Descripción, tipo de variablesp. 7
- Figura 2. Distribución de la variable de estadop. 7
- Figura 3. Análisis de correlación entre las variables de la base de datosp. 8
- Figura 4. Frecuencias de instancias para variables categóricasp. 8
- Figura 5. Correlación de variables numéricasp. 9
- Figura 6. Metodología de formación del algoritmo árbol de decisión [10]p. 9
- Figura 7. Metodología de formación del algoritmo Random Forest [11]p. 10
- Figura 9. Matriz de confusión Random forestp. 12
- Figura 10. Matriz de confusión árbol de decisiónp. 12
- Figura 11. Matriz de confusión redes neuronales convencionalesp. 12
- una red convencionalp. 12
- Tabla 1. Métricas obtenidas para los diferentes modelos analizadosp. 11