Modelo predictivo de riesgo para productos de línea de negocio hogar de una empresa de telecomunicaciones

Abstract

Debido a la creciente demanda de fibra óptica en Chile, una empresa de telecomunicaciones que cuenta con este servicio ha debido realizar grandes inversiones en esta tecnología con el objetivo de mantener su posición en la industria y aumentar sus ventas. Esta situación ha conllevado a una tendencia al alza de los indicadores de riesgo de este servicio, es por este motivo que mediante el siguiente trabajo se busca estimar el nivel de riesgo de los servicios de fibra óptica con el fin de implementar estrategias que permitan accionar para generar mayores ingresos y movilizar los niveles de riesgo hacia rangos deseables. Para identificar el comportamiento de no pago se generan modelos de admisión binarios, donde la variable objetivo presenta un valor igual a 1 en caso de que un cliente adeude un saldo 60 días posterior al vencimiento de su segunda factura, y 0 en caso contrario. A partir del output de los modelos se construye la QNP, que indica el porcentaje de clientes que no pagan el servicio de una camada específica. Para afinar la predicción del comportamiento de no pago, se segmentan los clientes en función de su antigüedad con la empresa: nuevos, semi nuevos y antiguos; los cuales representan respectivamente el 55 %, 5 % y 40 % de los casos. La metodología utilizada corresponde a CRISP-DM. Se generaron 18 escenarios de modelamientos distintos para cada segmento de clientes y dado que solo el 4 % de los datos presentaba el comportamiento estudiado se utilizan las técnicas de balanceo Over & Under sampling y Weight of Classes. Para los clientes nuevos el algoritmo de clasificación binaria que entrega el mejor desempeño corresponde a un Random Forest con AUCPR igual 0,3213. La estrategia de venta para estos clientes contempla el cierre de la venta al tramo más riesgoso, aumentando las utilidades anuales en 18 millones y reduciendo la QNP2F60 en un 8,9%. En cuanto a los clientes semi nuevos, el modelo con mejor rendimiento corresponde a un Random Forest que entrega un AUCPR del 0,4303. La estrategia para este segmento consiste en el cierre de la venta a los 2 grupos más riesgosos de clientes, de esta forma es posible aumentar las utilidades anuales en 13 millones y reducir la QNP2F60 un 15%. Finalmente, para el segmento de clientes antiguos el algoritmo seleccionado corresponde a un Gradient Boosting Machine que obtiene un AUCPR igual a 0,2803. La estrategia propuesta para este perfil de clientes consiste en mantener todos los tramos de riesgo abiertos a la venta, hasta que el grupo más riesgoso alcance una QNP2F60 de 12%.