Publicación:
Desarrollo de un modelo predictivo de abandono de clientes en telecomunicaciones usando aprendizaje automático

Vista sencilla de ítem
dc.contributor.advisorChacón Rivera, Lina María
dc.contributor.authorMedina Prieto, Lina Mariana
dc.contributor.authorRojas Salamanca, Santiago
dc.contributor.authorQuiceno Triana, Melany Lizeth
dc.creator.id1016713174
dc.creator.id1014737397
dc.creator.id1014737933
dc.date.accessioned2026-08-20T22:41:26Z
dc.date.issued2026-08-03
dc.description.abstractLa retención de clientes es uno de los desafíos estratégicos dentro de la industria de las telecomunicaciones debido a la gran competencia y la poca diferencia de costos entre proveedores (Amin et al., 2019; Khoh et al., 2023). En este contexto, la predicción del abandono de clientes se ha consolidado como una de las herramientas clave para la toma de decisiones basadas en datos orientadas a la fidelización del cliente (Jain et al., 2021; Imani et al., 2025). El presente articulo tiene como objetivo desarrollar un modelo predictivo basado en técnicas de aprendizaje automático que permiten estimar la probabilidad de baja de clientes utilizando datos históricos de comportamiento. Para ello, se emplea un conjunto de daos del sector de las telecomunicaciones compuesto por aproximadamente 900.000 registros y 35 variables relacionadas con características del cliente y uno del servicio. El estudio sigue una metodología analítica basada en las siguientes etapas: comprensión de los datos, preparación, modelado, evaluación e interpretación. Los resultados de esta investigación contribuyen al desarrollo de herramientas analíticas que permiten a las empresas anticipar la baja s de clientes y diseñar sus estrategias de retención más efectivas basadas en datos históricos.spa
dc.description.abstractCustomer retention is one of the main strategic challenges in the telecommunications industry due to intense competition and the low switching costs between service providers. In this context, customer churn prediction has become a key tool for data-driven decision-making aimed at improving customer retention strategies. This study aims to develop a predictive model based on machine learning techniques to estimate the probability of customer churn using historical behavioral data. For this purpose, a telecommunications dataset composed of approximately 900,000 records and 35 variables related to customer characteristics and service usage is employed. The study follows an analytical methodology based on the following stages: data understanding, data preparation, modeling, evaluation, and interpretation. The results of this research contribute to the development of analytical tools that enable telecommunications companies to anticipate customer churn and design more effective data-driven retention strategies.eng
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.description.tableofcontentsResumen Abstract Introducción Marco teórico Término Churn en Telecomunicaciones Aprendizaje Automático para Predecir Churn Métodos Avanzados Utilizados en la Predicción de Churn Estado del arte (Metodología PRISMA) Revisión sistemática Estrategia de búsqueda Criterios de exclusión e inclusión Proceso de selección de estudios Comparación de Estudios Seleccionados Metodología Enfoque Alcance y diseño Conjunto de datos Preprocesamiento de datos Análisis exploratorio de los datos Desarrollo del modelo Evaluación del modelo Interpretación del modelo Justificación Resultados Análisis exploratorio de los datos Transformación de los datos Implementación del modelo Optimización de hiperparámetros Evaluación de desempeño Análisis de variables Propuesta de Solución Discusión Plan de divulgación El producto y su proyección Cómo se va a materializar Objetivos Ruta operativa Inversión y financiación Viabilidad y proyección de impacto Conclusiones Referencias bibliográficas Apéndice Aspa
dc.formatpdf
dc.format.extent42 páginas
dc.format.mediumRecurso electrónicospa
dc.format.mimetypeapplication/pdf
dc.identifier.instnameinstname:Universidad Eanspa
dc.identifier.localBDM-FIS
dc.identifier.reponamereponame:Repositorio Institucional Biblioteca Digital Minervaspa
dc.identifier.repourlhttps://repository.ean.edu.co/
dc.identifier.urihttps://hdl.handle.net/10882/19522
dc.language.isospa
dc.publisher.facultyFacultad de Ingeniería
dc.publisher.programIngeniería de Sistemas
dc.relation.referencesAhmad, A. K., Jafar, A., & Aljoumaa, K. (2019). Customer churn prediction in telecom using machine learning in big data platform. Journal of Big Data, 6(1), 1–24. https://doi.org/10.1186/s40537-019-0191-6 Amin, A., Anwar, S., Adnan, A., Nawaz, M., Alawfi, K., Hussain, A., & Huang, K. (2018). Customer churn prediction in telecommunication industry using data certainty. Expert Systems with Applications, 94, 290–301. https://doi.org/10.1016/j.jbusres.2018.03.003 Amin, A., Shah, B., Khattak, A. M., Moreira, F. J. L., Ali, G., Rocha, Á., & Anwar, S. (2019). Cross-company customer churn prediction in telecommunication. International Journal of Information Management, 46, 304–319. https://doi.org/10.1016/j.ijinfomgt.2018.08.015 Akiba, T., Sano, S., Yanase, T., Ohta, T., & Koyama, M. (2019). Optuna: A next-generation hyperparameter optimization framework. Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 2623–2631. https://doi.org/10.1145/3292500.3330701 Chen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (pp. 785–794). Association for Computing Machinery. https://doi.org/10.1145/2939672.2939785 Edwine, N., Wang, W., Song, W., et al. (2022). Detecting the risk of customer churn in telecom sector: A comparative study. Mathematical Problems in Engineering, 2022. https://doi.org/10.1155/2022/8534739 Fujo, S. W., Subramanian, S., & Khder, M. A. (2022). Customer churn prediction in telecommunication industry using deep learning. Information Sciences Letters, 11(1). https://doi.org/10.18576/isl/110120 He, H., & Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on Knowledge and Data Engineering, 21(9), 1263–1284. https://doi.org/10.1109/TKDE.2008.239 Idris, A., Khan, A., & Lee, Y. S. (2012). Intelligent churn prediction in telecom: Employing mRMR feature selection and RotBoost based ensemble classification. Applied Soft Computing, 12(12), 3720–3728. DOI: 10.1007/s10489-013-0440-x Imani, M., Joudaki, M., Beikmohamadi, A., & Arabnia, H. R. (2025). Customer Churn Prediction: A Review of Recent Advances, Trends, and Challenges in Conventional Machine Learning and Deep Learning. Preprints. https://doi.org/10.20944/preprints202503.1969.v1 Jain, H., Meena, N., & Paliwal, K. K. (2021). Customer churn prediction systems: A systematic review. IEEE Access, 9, 132473–132489. https://doi.org/10.1109/ACCESS.2021.3114693 Jain, H., Khunteta, A., & Srivastava, S. (2021). Telecom churn prediction and used techniques, datasets and performance measures: A review. Telecommunication Systems, 76(4), 613–630. https://doi.org/10.1007/s11235-020-00727-0 KDD Cup. (2009). KDD Cup 2009: Customer relationship prediction. ACM SIGKDD. https://kdd.org/kdd-cup/view/kdd-cup-2009/Data Khoh, W. H., Pang, Y. H., & Ooi, S. Y. (2023). Predictive churn modeling for sustainable business in the telecommunication industry: Optimized weighted ensemble machine learning. Sustainability, 15(11), 8631. https://doi.org/10.3390/su15118631 Liu, R., Ali, S., Bilal, S. F., et al. (2022). An intelligent hybrid scheme for customer churn prediction integrating clustering and classification algorithms. Applied Sciences, 12(18), 9355. https://doi.org/10.3390/app12189355 Liu, Y., Fan, J., Zhang, J., et al. (2023). Research on telecommunication customer churn prediction based on ensemble learning. Journal of Intelligent Information Systems, 60, 759–775. https://doi.org/10.1007/s10844-022-00739-z Lundberg, S. M., & Lee, S.-I. (2017). A unified approach to interpreting model predictions. https://doi.org/10.48550/arXiv.1705.07874 Malikireddy, V. P., & Kasa, M. (2021). Customer churns prediction model based on machine learning techniques: A systematic review. In Proceedings of the 3rd International Conference on Integrated Intelligent Computing Communication & Security (ICIIC 2021) (pp. 167–174). Atlantis Press. https://doi.org/10.2991/ahis.k.210913.021 Maqbool, M., & Qureshi, I. H. (2026). A systematic literature review on explainable AI for churn prediction, customer segmentation and retention. International Journal of Data Science and Analytics, 22(1), 32–. https://doi.org/10.1007/s41060-025-01018-0 Mitchell, T. M. (1997). Machine learning. McGraw-Hill. https://cdn.chools.in/DIG_LIB/E-Book/M1-Machine-Learning-Tom-Mitchell_.pdf Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Gluud, C., Mayo-Wilson, E., McDonald, S., McGuinness, L. A., Stewart, L. A., Thomas, J., Tricco, A. C., Welch, V. A., … Moher, D. (2021). The PRISMA 2020 statement: An updated guideline for reporting systematic reviews. BMJ, 372, n71. https://doi.org/10.1136/bmj.n71 Rabih, R., Sun, W., Ayoubi, M., et al. (2024). Highly accurate customer churn prediction in the telecommunications industry using MLP. International Journal of Integrated Science and Technology, 2(10). https://doi.org/10.59890/ijist.v2i10.2564 Results in Engineering. (2025). A data-driven approach with explainable artificial intelligence for customer churn prediction in the telecommunications industry. https://doi.org/10.1016/j.rineng.2025.104629 Saha, S., Saha, C., Haque, M. M., et al. (2024). ChurnNet: Deep learning enhanced customer churn prediction in telecommunication industry. IEEE Access. https://doi.org/10.1109/access.2024.3349950 Sánchez Trujillo, M. G., & Pérez Hernández, J. Á. (2023). Metodología CRISP-DM en la gestión del proyecto de Data Mining. Biblioteca Digital Minerva, Universidad EAN. http://hdl.handle.net/10882/13087 SCITEPRESS. (2024). The investigation of the advancement for machine learning-based telecommunication customer churn prediction. https://www.scitepress.org/Papers/2024/132064/132064.pdf Tebu, G., & Izang , A. (2025). Customer Churn Prediction in the Telecommunication Industry Over the Last Decade: A Systematic Review . Asian Journal of Research in Computer Science, 18(4), 256–271. https://doi.org/10.9734/ajrcos/2025/v18i4618 Tebu, M., & Izang, A. A. (2025). Proactive churn management in telecommunications: Integrating predictive analytics with retention strategies. Journal of Telecommunications and Digital Economy, 13(1), 45–67. https://doi.org/10.18080/jtde.v13n1.789 Ullah, I., Raza, B., Malik, A. K., Imran, M., Islam, S. U., & Kim, S. W. (2019). A churn prediction model using Random Forest. IEEE Access, 7, 60134–60149. https://doi.org/10.1109/ACCESS.2019.2914999 Umayaparvathi, V., & Iyakutti, K. (2017). A survey on customer churn prediction in telecom industry. Egyptian Informatics Journal, 18(3), 175–180. https://doi.org/10.1016/j.eij.2017.02.003 Verbeke, W., Dejaeger, K., Martens, D., Hur, J., & Baesens, B. (2012). New insights into churn prediction in the telecommunication sector: A profit driven data mining approach. European Journal of Operational Research, 218(1), 211–229. DOI: 10.1016/j.ejor.2011.09.031
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.localAbierto (Texto Completo)spa
dc.rights.urihttps://creativecommons.org/licenses/by-nc-nd/4.0/
dc.subject.armarcAprendizaje automático (Inteligencia artificial)spa
dc.subject.armarcTelecomunicacionesspa
dc.subject.armarcProcesamiento electrónico de datosspa
dc.subject.armarcAnalítica de negociosspa
dc.subject.armarcNegocios -- Toma de decisionesspa
dc.subject.lembLealtad del consumidorspa
dc.subject.lembPreferencias de los consumidoresspa
dc.subject.proposalChurnspa
dc.subject.proposalTelecomunicacionesspa
dc.subject.proposalAprendizaje automáticospa
dc.subject.proposalAnálisis predictivospa
dc.subject.proposalRetención de clientesspa
dc.subject.proposalTelecommunications
dc.subject.proposalMachine learning
dc.subject.proposalPredictive analytics
dc.subject.proposalCustomer retention
dc.titleDesarrollo de un modelo predictivo de abandono de clientes en telecomunicaciones usando aprendizaje automáticospa
dc.titleDevelopment of a predictive model for customer churn in telecommunications using machine learningeng
dc.typeTrabajo de grado - Pregrado
dc.type.coarhttp://purl.org/coar/resource_type/c_7a1f
dc.type.coarversionhttp://purl.org/coar/version/c_ab4af688f83e57aa
dc.type.contentText
dc.type.driverinfo:eu-repo/semantics/bachelorThesis
dc.type.otherTrabajo de grado - Pregrado
dc.type.redcolhttp://purl.org/redcol/resource_type/TP
dc.type.versioninfo:eu-repo/semantics/acceptedVersion
dspace.entity.typePublication
person.affiliation.nameIngeniería de Sistemas
person.affiliation.nameIngeniería de Sistemas
person.affiliation.nameIngeniería de Sistemas

Archivos

Bloque original

Mostrando 1 - 2 de 2
Miniatura
Nombre:
QuicenoMelany2026.pdf
Tamaño:
669.43 KB
Formato:
Adobe Portable Document Format
Descripción:
Trabajo de Grado
Descargar
Miniatura
Nombre:
QuicenoMelany2026_Anexo.pdf
Tamaño:
262.1 KB
Formato:
Adobe Portable Document Format
Descripción:
Autorización Publicación
Descargar

Bloque de licencias

Mostrando 1 - 1 de 1
Miniatura
Nombre:
license.txt
Tamaño:
1.92 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Ingeniería de Sistemas