Resumen de Customer dropout prediction using machine learning hybrid survival models

Pedro Nuno de Alexandre Sobreiro

• español

  El abandono de clientes es un problema en la mayoría de las organizaciones. Estas suelen reducir sus ingresos cuando los clientes dejan de pagar las cuotas mensuales. Comprender cuándo se produce el abandono de clientes, o cuáles son los factores relacionados, parece un enfoque lógico para desarrollar acciones preventivas antes de que un cliente se dé de baja. Los estudios existentes abordan el problema como un problema técnico y no como un problema empresarial. Hasta ahora, la predicción del abandono se ha abordado desde una perspectiva estática y utilizando métricas relacionadas con el rendimiento de los algoritmos sin tener en cuenta su interpretabilidad. Esta interpretabilidad es clave para apoyar el desarrollo de planes de acción y retención utilizando información sobre los momentos en los que podría producirse el abandono. Este desajuste entre los enfoques existentes y la forma de utilizarlos es un problema que debe abordarse. El objetivo de esta tesis es comprender cómo se pueden utilizar los datos históricos para predecir el abandono de clientes y apoyar el desarrollo de contramedidas. Para lograr estos objetivos, se propone un nuevo enfoque para predecir los tiempos y momentos relacionados con el abandono del cliente. Este enfoque utiliza árboles de supervivencia, combinados con el uso de técnicas de clustering. Esta propuesta es aplicada en dos casos de estudio: en un club de salud y un club deportivo. Los resultados de esta validación muestran que combinando estas técnicas conseguimos aumentar la precisión de los modelos.

• English

  Customer abandonment is a problem in most organizations. These usually reduce their income when customers stop paying the monthly fees. Understanding when customer churn occurs, or what the related factors are, seems like a logical approach to taking preventative action before a customer churns. Existing studies address the problem as a technical problem and not a business problem. Until now, the prediction of abandonment has been approached from a static perspective and using metrics related to the performance of the algorithms without taking into account their interpretability. This interpretability is key to supporting the development of retention and action plans using information about when churn might occur. This mismatch between existing approaches and how to use them is a problem that needs