Show simple item record

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributor.advisorCalabró, Brenda
dc.contributor.authorSánchez, Sofía Danilaes_AR
dc.date.accessioned2023-09-20T18:09:38Z
dc.date.available2023-09-20T18:09:38Z
dc.date.issued2023
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/12041
dc.description.abstractEste trabajo aborda la problemática de retención de clientes en el contexto de una empresa que ofrece servicios digitales a otras empresas comerciales. Dado que el servicio funciona en un esquema de comisiones y no de suscripción, se plantea un enfoque de prevención de churn transaccional, en el cual el foco es que el cliente continúe operando con la empresa. Para ello, se identifican y analizan las principales variables relacionadas a los clientes que abandonan la plataforma. A partir de este análisis, se realiza el entrenamiento de tres tipos de modelos de aprendizaje automático (Regresión Logística, Gradient Boosting y Random Forest) y se compara su performance a través de la curva ROC. Finalmente, se optimizan los hiperparámetros del modelo seleccionado a través de Grid Search, y se utilizan las predicciones para generar campañas de retención enfocadas en los grupos de clientes que poseen mayor riesgo de abandono.es_AR
dc.description.abstractThis research tries to address the problem of customer retention in the context of a company that offers digital services to other commercial companies. Since the platform works on a commission scheme and not a subscription, a transactional churn prevention approach is proposed, where the focus is on the client continuing to operate with the company. The main variables that are related to customers who leave the platform are identified. From this analysis, three types of machine learning models are trained (Logistic Regression, Gradient Boosting, and Random Forest) and their performance is compared through the ROC curve. Finally, the hyperparameters of the selected model are optimized through Grid Search, and the predictions are used to generate retention campaigns focused on the customer groups that have the highest risk of churnes_AR
dc.format.extent60 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.languageenges_AR
dc.publisherUniversidad Torcuato Di Tellaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectSatisfaccion del clientees_AR
dc.subjectEstrategia comerciales_AR
dc.subjectComercio electrónicoes_AR
dc.subjectPredicción tecnológicaes_AR
dc.titlePredicción de Churn Voluntario en plataforma de Comercio onlinees_AR
dc.typeinfo:eu-repo/semantics/articlees_AR
dc.type
thesis.degree.nameMaster in Management + Analyticsen
dc.subject.keywordRetención de clienteses_AR
dc.subject.keywordCustomer retentiones_AR
dc.subject.keywordChurn Transaccionales_AR
dc.subject.keywordAprendizaje automáticoes_AR
dc.subject.keywordRegresión logísticaes_AR
dc.subject.keywordGradient Boostinges_AR
dc.subject.keywordRandom Forestes_AR
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_AR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record