Caracterización y predicción de conducta de usuarios de aplicación móvil enfocado a proceso 'On Boarding' utilizando herramientas de Machine Learning

Abstract

Timejobs es una start up que se especializa en el staffing on demand. Dentro de mayores dolores se encuentra la fidelización de sus usuarios al momento de registrarse en su aplicación de reclutamiento. Si bien existen grupo de operadores que ayudan a impulsar a los usuarios, el trabajo es muy extenso y poco eficiente. En este documento se presentan soluciones utilizando herramientas de machine learning. Se busca clasificar a los usuarios que acaban de terminar de registrarse si tomarán la inducción que les permite tomar tareas. En lo particular se probó y testeó los algoritmos Perceptrón Multicapa, Arbol de Decisión, Random Forest, Gradient Boosting y Naives Bayes. Se analiza que Random Forest y Gradient Boosting son los mejores modelos llegando a un accuracy de 75 % mientras que los otros modelos tienen un desempeño menor a 65% en la misma métrica. De igual manera se entra en detalle en la recolección del dato, preprocesamiento e implementación del modelo para que sirva de guía para futuros trabajos en la empresa. El trabajo se asemeja a predicción de fuga que se encuentra bastante en la literatura pero agregando las condiciones propias del problema. Se concluye que el trabajo fue enriquecedor tanto para la empresa como para el departamento de ingeniería eléctrica.