Segmentación de oferta de servicios de telefonía móvil para clientes con historial de morosidad en Entel basado en Data Science

Abstract

La industria de las telecomunicaciones ha experimentado avances significativos en los últi mos años, lo que ha derivado en un aumento sustancial de la competencia entre las empresas del sector. Entel se posiciona como una de las principales compañías en este ámbito, con presencia en Chile y Perú y una base de 8 millones de clientes. En este escenario, la empresa ha impulsado nuevas estrategias orientadas a fortalecer su posición competitiva y mejorar su rentabilidad. En este contexto surge el proyecto “Perdonazo”, cuyo objetivo es reincorporar a clientes que fueron bloqueados por incumplimientos de pago, eliminando como restricción sus deudas históricas. Para ello, se desarrolló un modelo de predicción de no pago que permite segmen tar a estos clientes según su probabilidad de reincidencia en morosidad, facilitando decisiones comerciales más eficientes y focalizadas. El modelo fue construido siguiendo la metodología CRISP-DM, empleando un modelo de tipo LightGBM para la selección de variables y XGBoost como clasificador final. Esta combi nación permitió reducir el conjunto de variables utilizadas manteniendo un buen rendimiento predictivo y favoreciendo su futura implementación en entornos reales. Los resultados evidenciaron mejoras respecto a la versión anterior del modelo, con una mayor capacidad para discriminar entre clientes de bajo y alto riesgo, utilizando un menor número de variables. Esto se traduce en una herramienta más eficiente y práctica, capaz de apoyar decisiones comerciales con una base analítica robusta. A pesar de que el impacto económico inmediato fue acotado, los resultados técnicos alcanzados validan el enfoque pro puesto y su potencial utilidad en escenarios de alta competencia.