Mostrar el registro sencillo del ítem
Predicción de Churn de Seguros con LightGBM
dc.rights.license | https://creativecommons.org/licenses/by-sa/2.5/ar/ | es_AR |
dc.contributor.advisor | Gálvez, Ramiro | es_AR |
dc.contributor.author | Tralice, Franco | es_AR |
dc.date.accessioned | 2022-07-15T23:00:41Z | |
dc.date.available | 2022-07-15T23:00:41Z | |
dc.date.issued | 2019 | |
dc.identifier.uri | https://repositorio.utdt.edu/handle/20.500.13098/11242 | |
dc.description.abstract | Los esfuerzos de marketing para conseguir clientes nuevos son muy grandes, es por eso que una gran parte de estos mismos consisten en retener a los clientes que ya aportan pagando la cuota de algún seguro a la empresa. Retener un cliente es menos costoso que volver a conseguirlo. Aquí es donde introducimos la métrica que lleva el nombre del trabajo, el churn (Soeini, R. A., & Rodpysh, K. V., 2012). Definimos a la tasa de churn como el Key Performance Indicator (KPI) que mide el porcentaje de clientes que dejan de utilizar un producto o un servicio, o dicho más concretamente, la tasa de abandono de clientes. La compañía invierte muchos de sus activos en tratar de bajar lo máximo posible este ratio, que se traduce en más solvencia, más ingresos y por lo tanto más retornos para la misma. Los motivos de las bajas de los clientes son diversos. Entre ellos, podemos mencionar el valor de la cuota, porque no sienten necesario tener un seguro, etc. | es_AR |
dc.format.extent | 58 p. | es_AR |
dc.format.medium | application/pdf | es_AR |
dc.language | spa | es_AR |
dc.rights | info:eu-repo/semantics/openAccess | es_AR |
dc.subject | Compañías de Seguros | es_AR |
dc.subject | Marketing | es_AR |
dc.subject | Plan de Marketing | es_AR |
dc.subject | Churn | es_AR |
dc.subject | Tasa de cancelación | es_AR |
dc.subject | previsiones tecnologicas | es_AR |
dc.subject | Machine learning | es_AR |
dc.subject | algoritmos | es_AR |
dc.title | Predicción de Churn de Seguros con LightGBM | es_AR |
dc.type | info:eu-repo/MasterThesis | es_AR |
dcterms.description.tableOfContents | 1 - Introducción (2) 11 - El Dominio (2) 12 - El problema (3) 13 - Distintos tipos de churn en seguros (6) 14 - Cómo se suele abarcar (6) 15 - Propuesta de Trabajo (7) 2 - Materiales y Métodos (8) 21 - Datos (8) 22 - Exploración de los datos (18) 23 - Modelos a Usar (25) 24 - Ventana de tiempo (32) 3 - Resultados (34) 31 - Desempeños (39) 32 - Importancia de variables (44) 33 - Ganancia y respuesta (49) 4 - Conclusiones (53) 5 - Bibliografía (57) | es_AR |
thesis.degree.name | Master in Management + Analytics | en |
thesis.degree.grantor | Universidad Torcuato Di Tella | es_AR |
dc.subject.keyword | LightGBM | es_AR |
dc.subject.keyword | Gradient Boosting | es_AR |
dc.type.version | info:eu-repo/semantics/acceptedVersion | es_AR |
Ficheros en el ítem
Este ítem aparece en la(s) siguiente(s) colección(ones)
-
Master in Management + Analytics
Tesis y trabajos finales desde 2019