Predicción de churn en restaurantes para aplicaciones de delivery

Abstract

Para las aplicaciones de delivery de comida online es importante contar con una base de comercios activos en la aplicación que puedan brindar sus servicios a través de ella. Para poder garantizar una oferta variada y sana, relevante para los consumidores, es fundamental velar por la cantidad y la calidad de los comercios asociados. En una industria de márgenes bajos, las comisiones y condiciones comerciales de las Apps ejercen mucha presión en los restaurantes. Estos en muchos casos finalmente deciden dejar de operar en la aplicación por problemas operativos y económicos. La manera de medir esta problemática para las apps es a través de la tasa de puntos de venta que se dan de baja de la plataforma por mes (churn). Es importante poder predecir el churn de restaurantes a futuro y las causas que lo generan, de esta manera se podrán tomar medidas a tiempo para evitar que los restaurantes salgan de la aplicación. El propósito de este trabajo es desarrollar un modelo de predicción que pueda anticipar cuando un restaurante va a cerrar su perfil en la aplicación, usando datos tanto de restaurantes como de clientes para poder detectar tendencias y así poder predecir la atrición. Para poder abordar el problema se utiliza una técnica de aprendizaje automático supervisado llamado Light GBM, desarrollado por Microsoft, para hacer las predicciones. La herramienta logra predecir cuales son los restaurantes que van a dejar de operar en la plataforma con un área bajo la curva ROC del 0.92, lo que indica que tiene buen poder de predicción. Finalmente, se discute la aplicación del modelo en la industria, y cómo puede ayudar a atacar el problema de manera proactiva para disminuir la cantidad de restaurantes que salen, y eficientizar la inversión en fidelización.