Modelo predictivo de probabilidades de cambio en empaquetamiento, a través de aprendizaje supervisado en redes neuronales artificiales, como herramienta para campañas de Cross-selling, para la empresa VTR Comunicaciones SPA

Abstract

El presente informe detalla el análisis, construcción y evaluación de un modelo predictivo de cambios en empaquetamiento de clientes, a través de aprendizaje supervisado en redes neuronales artificiales. El trabajo es realizado para la empresa VTR Comunicaciones SpA y se adscribe a la gerencia de producto fijo. Se presentan primero los antecedentes del mercado relevante de telecomunicaciones en Chile, el contexto en que se sitúa la organización y los datos que justifican un análisis y modelamiento como el realizado. El producto final corresponde a un modelo predictivo cuyo resultado es una probabilidad específica de cambio en empaquetamiento para cada cliente. La medición del logro de este objetivo se basa en métricas de precisión y recall, además de métricas de comparación de ajuste respecto a otros modelos y respecto al impacto al negocio. Se define un algoritmo de selección de datos y variables, un estudio de modelos de clasificación y su desempeño; y se estima el efecto de un modelo predictivo en términos cuantitativos generales y aquellos relevantes al negocio. Ahora bien, la selección del modelo de red neuronal artificial es producto de un estudio de los principales modelos de clasificación en aprendizaje automático en cuanto a literatura asociada, estudios empíricos, benchmark relevantes y evaluación competitiva sobre datos reales referentes al trabajo de título. A su vez, la construcción integra un algoritmo de obtención de datos, tratamiento de desbalanceo, selección de variables, utilización de funciones sigmoide y rectificadoras en las capas de la red y una optimización basada en ajuste de hiper-parámetros. Finalmente, el modelo logra un mínimo de 20 y un máximo de 84 puntos porcentuales en cuanto a razón de verdaderos positivos respecto a falsos positivos sobre un modelo aleatorio. Los perfiles de precisión acumulados muestran un mínimo de 14.71 y un máximo de 41.39 puntos porcentuales de observaciones positivas al 50 % sobre un modelo aleatorio. Las probabilidades de cambio de empaquetamiento resultantes generan la oportunidad de discriminar en cuanto a descuentos discretizados entregados y superar a cualquier modelo aleatorio o univariado como los actualmente utilizados en la empresa.