Ítem
Acceso Abierto

Modelo de análisis predictivo para la identificación de clientes con tendencia a la deserción.

Mostrar el registro sencillo de la publicación
dc.contributor.advisorCruz Castro, Daniel Leonardo
dc.creatorPatarroyo Velasco, Victor Santiago
dc.creator.degreeMagíster en Business Analytics
dc.creator.degreetypeFull time
dc.date.accessioned2023-07-24T18:12:04Z
dc.date.available2023-07-24T18:12:04Z
dc.date.created2023-07-18
dc.descriptionLa industria colombiana requiere de una alta oferta de envases y empaques para cubrir las necesidades del sector industrial, por esta razón, en el país existen numerosas empresas que fabrican o comercializan este tipo de productos, lo que genera un mercado altamente dinámico y competitivo. Sin embargo, debido a esta situación, resulta difícil asegurar la fidelidad y continuidad en las compras por parte de los clientes. Lo que lleva a la empresa a perder al año en promedio un 19% de los clientes anualmente. A pesar de esta perdida, también se observa una constante afluencia de nuevos clientes que, en cierta medida, compensan a aquellos que han dejado de comprar.
dc.description.abstractThe Colombian industry requires a substantial supply of containers and packaging to meet the needs of the industrial sector. Consequently, there is a significant number of companies in the country involved in the manufacturing or marketing of such products, contributing to a highly dynamic and competitive market. Maintaining customer loyalty and ensuring consistent purchasing patterns can be challenging as a result. On average, the company loses 19% of its customers annually. However, there is a constant influx of new customers that partially offset the ones who have discontinued their purchases.
dc.format.extent104
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_40210
dc.identifier.urihttps://repository.urosario.edu.co/handle/10336/40210
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/openAccess
dc.rights.accesoAbierto (Texto Completo)
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/4.0/*
dc.source.bibliographicCitationAsociación Colombiana de la industria de la comunicación grafica. (2021). Perfil envases y empaques. https://andigraf.com.co/wp-content/uploads/2021/03/Envases-y-Empaques-2021.pdf
dc.source.bibliographicCitationBirant, D. (2011). Data Mining Using RFM Analysis. En K. Funatsu (Ed.), Knowledge-Oriented Applications in Data Mining (pp. 91–108). InTech. https://doi.org/10.5772/13683
dc.source.bibliographicCitationGarcía, D. L., Nebot, À., & Vellido, A. (2017). Intelligent data analysis approaches to churn as a business problem: A survey. Knowledge and Information Systems, 51(3), 719–774. https://doi.org/10.1007/s10115-016-0995-z
dc.source.bibliographicCitationIBM. (2021, agosto 17). https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview
dc.source.bibliographicCitationMedina Merino, R. F., & Ñique Chacón, C. I. (2017). Bosques aleatorios como extensión de los árboles de clasificación con los programas R y Python. Interfases, 10, 165–189.
dc.source.bibliographicCitationQuiroa, M. (2022, abril 1). Marketing industrial. Economipedia. https://economipedia.com/definiciones/marketing-industrial.html
dc.source.bibliographicCitationSharma, P. P. M. (2019, noviembre 8). Customer Segmentation using RFM Analysis. data analytics edge. https://dataanalyticsedge.com/2019/11/08/customer-segmentation-using-rfm-analysis-using-r/
dc.source.bibliographicCitationTorres Valverde, E. P., & Padilla Rivadeneira, G. S. (2013). Medición de la intención de compra con base en un modelo de regresión logística de productos de consumo masivo. [BachelorThesis]. http://dspace.ups.edu.ec/handle/123456789/5772
dc.source.bibliographicCitationAsociación Colombiana de la industria de la comunicación grafica. (2021). Perfil envases y empaques. https://andigraf.com.co/wp-content/uploads/2021/03/Envases-y-Empaques-2021.pdf Birant, D. (2011). Data Mining Using RFM Analysis. En K. Funatsu (Ed.), Knowledge-Oriented Applications in Data Mining (pp. 91–108). InTech. https://doi.org/10.5772/13683 García, D. L., Nebot, À., & Vellido, A. (2017). Intelligent data analysis approaches to churn as a business problem: A survey. Knowledge and Information Systems, 51(3), 719–774. https://doi.org/10.1007/s10115-016-0995-z IBM. (2021, agosto 17). https://www.ibm.com/docs/es/spss-modeler/saas?topic=dm-crisp-help-overview Medina Merino, R. F., & Ñique Chacón, C. I. (2017). Bosques aleatorios como extensión de los árboles de clasificación con los programas R y Python. Interfases, 10, 165–189. Quiroa, M. (2022, abril 1). Marketing industrial. Economipedia. https://economipedia.com/definiciones/marketing-industrial.html Sharma, P. P. M. (2019, noviembre 8). Customer Segmentation using RFM Analysis. data analytics edge. https://dataanalyticsedge.com/2019/11/08/customer-segmentation-using-rfm-analysis-using-r/ Torres Valverde, E. P., & Padilla Rivadeneira, G. S. (2013). Medición de la intención de compra con base en un modelo de regresión logística de productos de consumo masivo. [BachelorThesis]. http://dspace.ups.edu.ec/handle/123456789/5772 Wikipedia. (2022). Curva ROC. En Wikipedia, la enciclopedia libre. https://es.wikipedia.org/w/index.php?title=Curva_ROC&oldid=145650383
dc.source.instnameinstname:Universidad del Rosario
dc.source.reponamereponame:Repositorio Institucional EdocUR
dc.subjectIndustria colombiana
dc.subjectabastecimiento
dc.subjectenvases
dc.subjectempaques
dc.subjectmercado dinámico
dc.subjectfidelización de clientes
dc.subjectretención de clientes
dc.subjectpasos analíticos
dc.subjectcomportamiento de compra
dc.subjectchurn de clientes
dc.subject.keywordColombian industry
dc.subject.keywordsupply
dc.subject.keywordcontainers
dc.subject.keywordpackaging
dc.subject.keyworddynamic market
dc.subject.keywordcustomer loyalty
dc.subject.keywordcustomer retention
dc.subject.keywordanalytical steps
dc.subject.keywordpurchasing behavior
dc.subject.keywordcustomer churn
dc.titleModelo de análisis predictivo para la identificación de clientes con tendencia a la deserción.
dc.title.TranslatedTitlePredictive analytics model for the identification of customers with a tendency to churn.
dc.typebachelorThesis
dc.type.documentTrabajo de grado
dc.type.spaTrabajo de grado
local.department.reportEscuela de Administración
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
Modelo-de-analisis-Patarroyo-Velasco-Victor-Santiago-2023.pdf
Tamaño:
2.15 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Business Analytics