Memoria: Aplicación de un modelo predictivo de fuga de clientes utilizando data mining en VTR Globalcom S.A. Zona Sur
Cargando...
Fecha
2011
Título de la revista
ISSN de la revista
Título del volumen
Editor
Universidad del Bío-Bío. Departamento de Ingeniería Industrial
Resumen
Esta investigación tiene como objetivo aplicar un modelo de predicción de fuga de clientes en la compañía VTR Globalcom S.A. Zona Sur. Específicamente se han elegido las plazas de Concepción y Temuco para la aplicación del modelo.
La investigación se basó en las metodologías y herramientas de Data Mining para la determinación del modelo de predicción de fuga de clientes. Para ello se utilizó la base de datos de la compañía, en donde se pudo extraer información demográfica de clientes fugados / actuales, y de características de servicios contratados por estos últimos. El periodo de tiempo elegido para el desarrollo de la investigación se comprende desde Enero de 2009 hasta Junio de 2011.
Posteriormente, en conjunto con analistas de la propia compañía, se eligieron las variables que a priori podrían ser más influyentes para la generación de los modelos. Luego mediante el proceso KDD (Knowledge Discovery in Databases) se logró limpiar y transformar las variables que luego fueron incluidas en las dos técnicas específicas utilizadas de Data Mining.
La primera técnica utilizada fue Análisis Cluster (o Análisis de Conglomerados), técnica estadística multivariante que permitió generar perfiles de clientes fugados, donde se establecen características tales como: edad, gse, antigüedad de servicios, niveles de deuda, y otras dieciséis variables relevantes para el estudio.
La segunda técnica utilizada fue Regresión Logística Multivariante, técnica que permitió estudiar la relación entre la variable dependiente y las variables independientes que se estimaron importantes para el estudio. Aquí se realizaron análisis univariantes, bivariantes y evaluación de posibles interacciones o modificaciones de tipo efecto y/o confusión. Luego de la construcción de los modelos para ambas plazas, se realizó la validación con meses de prueba (Abril 2011 – Junio 2011), en donde se pudo contrastar el modelo con respecto a los meses que se utilizaron para la construcción de estos mismos (Enero 2009 – Marzo 2011). En general ambos modelos tienen un nivel de acierto global superior a un 70%.
Posterior a la generación de ambos modelos, se estableció un plan de acción en base a Marketing Relacional, debido a las debilidades presentes con respecto a la generación de estrategias en post de retención y captación de clientes. La estrategia en sí, propone capacitar al personal de ventas y atención al cliente para las plazas de Concepción y Temuco, logrando generar una herramienta de apoyo que permita fidelizar al corto plazo de mejor manera a los clientes de ambas plazas.
La estructura de esta investigación, se divide en los siguientes capítulos:
En el capítulo 1 se detalla lo que respecta a la presentación del tema. Información sobre origen del tema y justificación, objetivos, alcances de estudio y metodología propuesta.
En el capítulo 2 se presentan los antecedentes de la compañía. Se detalla información sobre organigrama, participación en el mercado, desconexión de servicios, entre otros datos.
En el capítulo 3 se muestra el marco teórico utilizado en la investigación. Se detalla información sobre el proceso KDD (Knowledge Discovery in Databases) y Data Mining.
La información sobre las técnicas de Data Mining especificas utilizadas en la investigación se encuentran en el capítulo 4, aquí se detalla sobre Análisis Cluster y sobre Regresión Logística Multivariante.
La aplicación de las técnicas de Data Mining, junto a la construcción de modelos, y posterior validación con los meses de prueba, se detalla en el capítulo 5.
Por último, en el capítulo 6 se detalla el plan de acción elaborado para la compañía en base a los resultados de las técnicas utilizadas.
Descripción
Memoria (Ingeniero Civil Industrial. Mención Gestión)
Palabras clave
VTR Globalcom Zona Sur (Chile)-sistemas de información, Minería de datos, Bases de datos, Costumer, Churnin, Modelo predictivo, Regresión, Análisis cluster, Plan de acción
