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
Professor Advisor
dc.contributor.advisor
Calisto Leiva, Ignacio
Author
dc.contributor.author
Eede Martínez, Andrés Patricio
Associate professor
dc.contributor.other
Santibáñez Viani, Edgardo
Associate professor
dc.contributor.other
Goic Figueroa, Marcel
Admission date
dc.date.accessioned
2020-03-19T21:56:43Z
Available date
dc.date.available
2020-03-19T21:56:43Z
Publication date
dc.date.issued
2019
Identifier
dc.identifier.uri
https://repositorio.uchile.cl/handle/2250/173698
General note
dc.description
Memoria para optar al título de Ingeniero Civil Industrial
es_ES
Abstract
dc.description.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.
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