Ítem
Restringido

Modelo predictivo de churn involuntario para una empresa de telecomunicaciones en Colombia

Mostrar el registro sencillo de la publicación
dc.contributor.advisorCruz Castro, Daniel Leonardo
dc.creatorReina Rodríguez, David Alejandro
dc.creatorReina Rodríguez, Gustavo Adolfo
dc.creatorBecerra Salcedo, Fabian Andrés
dc.creator.degreeMagíster en Business Analytics
dc.date.accessioned2026-07-17T13:06:33Z
dc.date.available2026-07-17T13:06:33Z
dc.date.created2026-07-14
dc.descriptionEste trabajo desarrolla un modelo predictivo de churn involuntario para una empresa de telecomunicaciones en Colombia, utilizando más de 5 millones de registros históricos y variables relacionadas con facturación, mora, consumo y comportamiento del cliente. Tras comparar varios algoritmos, XGBoost fue el modelo seleccionado por su mejor desempeño (AUC = 0,939), permitiendo identificar de forma anticipada a los clientes con mayor riesgo de abandono por falta de pago y facilitando la priorización de estrategias de retención y gestión de cartera.
dc.description.abstractThis thesis develops a predictive model for involuntary churn in a Colombian telecommunications company using more than 5 million historical records and variables related to billing, payment delinquency, network usage, and customer behavior. After evaluating several machine learning algorithms, XGBoost was selected as the best-performing model (AUC = 0.939), enabling the early identification of customers at high risk of involuntary churn and supporting more effective retention and debt management strategies.
dc.format.extent110 pp
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_48049
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/48049
dc.language.isospa
dc.publisherUniversidad del Rosario
dc.publisher.departmentEscuela de Administración
dc.publisher.departmentEscuela de Ingeniería, Ciencia y Tecnología
dc.publisher.programMaestría en Business Analytics
dc.rightsAttribution-NonCommercial-NoDerivatives 4.0 International*
dc.rights.accesRightsinfo:eu-repo/semantics/closedAccess
dc.rights.accesoBloqueado (Texto referencial)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationAhmad, A. K., Jafar, A., & Aljoumaa, K. (2024). Customer churn prediction in telecom using machine learning in big data platform. Journal of Big Data, 11(1), 1–24. https://doi.org/10.1186/s40537-024-00925-6
dc.source.bibliographicCitationAsociación Nacional de Empresarios de Colombia. (2024). Informe sectorial de telecomunicaciones en Colombia 2024. ANDI. https://www.andi.com.co
dc.source.bibliographicCitationBayram, F., Ahmed, B. S., & Kassler, A. (2022). From concept drift to model degradation: An overview on performance-aware drift detectors. Knowledge-Based Systems, 245, 108632. https://doi.org/10.1016/j.knosys.2022.108632
dc.source.bibliographicCitationChen, T., & Guestrin, C. (2016). XGBoost: A scalable tree boosting system. Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, 785–794. https://doi.org/10.1145/2939672.2939785
dc.source.bibliographicCitationComisión de Regulación de Comunicaciones. (2025a). Reporte de industria de los servicios postales y de telecomunicaciones – Tercer trimestre de 2025. CRC. https://www.crcom.gov.co
dc.source.bibliographicCitationComisión de Regulación de Comunicaciones. (2025b). Data Flash 2025-011: Portabilidad numérica móvil. CRC. https://www.postdata.gov.co/sites/default/files/dataflash/Data_Flash_2025_011_PNM_V2.pdf
dc.source.bibliographicCitationDeloitte. (2023). Global telecommunications outlook 2023: Connecting the dots between strategy and execution. Deloitte Insights. https://www2.deloitte.com
dc.source.bibliographicCitationFloridi, L., Cowls, J., King, T. C., & Taddeo, M. (2021). How to design AI for social good: Seven essential factors. Science and Engineering Ethics, 26(3), 1771–1796. https://doi.org/10.1007/s11948-020-00213-5
dc.source.bibliographicCitationGSMA Intelligence. (2024). The mobile economy Latin America 2024. GSMA. https://www.gsma.com/mobileeconomy
dc.source.bibliographicCitationLalwani, P., Mishra, M. K., Chadha, J. S., & Sethi, P. (2022). Customer churn prediction system: A machine learning approach. Computing, 104(2), 271–294. https://doi.org/10.1007/s00607-021-00908-y
dc.source.bibliographicCitationLanger, B. (2025). Understanding data & analytics maturity: A systematic review of maturity model composition. Schmalenbach Journal of Business Research, 77(2), 205–227. https://doi.org/10.1007/s41471-024-00205-2
dc.source.bibliographicCitationMakokha, A., Obote, K., Muchiri, H., & Senagi, K. (2024). Predicting customer churn in the telecommunications industry using machine learning techniques. American Journal of Networks and Communications, 13(1), 10–26. https://doi.org/10.11648/j.ajnc.20241301.12
dc.source.bibliographicCitationMehrabi, N., Morstatter, F., Saxena, N., Lerman, K., & Galstyan, A. (2021). A survey on bias and fairness in machine learning. ACM Computing Surveys, 54(6), 1–35. https://doi.org/10.1145/3457607
dc.source.bibliographicCitationMinisterio de Tecnologías de la Información y las Comunicaciones. (2023). Boletín trimestral de las TIC: cifras del sector de tecnologías de la información y las comunicaciones. MinTIC. https://www.mintic.gov.co
dc.source.bibliographicCitationVafeiadis, T., Diamantaras, K. I., Sarigiannidis, G., & Chatzisavvas, K. C. (2015). A comparison of machine learning techniques for customer churn prediction. Simulation Modelling Practice and Theory, 55, 1–9. https://doi.org/10.1016/j.simpat.2015.03.003
dc.source.bibliographicCitationWagh, S. K., Andhale, A. A., Wagh, K. S., Pansare, J. R., Ambadekar, S. P., & Gawande, S. H. (2024). Customer churn prediction in telecom sector using machine learning techniques. Results in Control and Optimization, 14, 100342. https://doi.org/10.1016/j.rico.2023.100342
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectCartera
dc.subjectFacturación
dc.subjectRetención
dc.subject.keywordChurn
dc.subject.keywordXGBoost
dc.subject.keywordBilling
dc.subject.keywordInvoluntary churn
dc.titleModelo predictivo de churn involuntario para una empresa de telecomunicaciones en Colombia
dc.title.TranslatedTitlePredictive Model of Involuntary Customer Churn for a Telecommunications Company in Colombia
dc.typemasterThesis
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestría
local.department.reportEscuela de Administración
local.department.reportEscuela de Ciencias e Ingeniería
local.regionesBogotá
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Modelo_predictivo_de_churn_involuntario.pdf
Tamaño:
958.37 KB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Business Analytics