Modelo de predicción de abandono de clientes en una empresa de publicidad exterior mediante el uso de técnicas de minería de datos
DOI:
https://doi.org/10.15765/wpmis.v4i1.1257Palabras clave:
minería de datos, fidelización, predicción, reconocimiento de patronesResumen
El incremento de la cantidad de datos que se recolectan en cada instante de tiempo hace que las técnicas estadísticas tradicionales sean menos eficientes y difíciles de mantener, sin embargo, durante los últimos 30 años, se han venido madurando técnicas que permiten no solo describir una situación si no también incluso predecir tendencias de consumo entre las personas.
Estas técnicas son el resultado de un largo proceso de investigación y desarrollo de productos. La minería de datos es un intento de buscarle sentido a la explosión de información que actualmente puede ser almacenada[1]. Es por esto que en la era de la tecnología y la información los datos se constituyen en el mayor valor para cualquier compañía.
El siguiente trabajo pretende explicar el proceso de realización de una propuesta metodológica usando la minería de datos para la predicción de abandono de clientes, con el fin de encontrar patrones de compra en las empresas que invierten en publicidad exterior, así como la segmentación de estas y con esto poder establecer posibles tendencias de comportamiento; también se pretende ofrecer herramientas a la empresa objeto de estudio, que le permitan el desarrollo de estrategias para conseguir una fidelización y retención a lo largo del tiempo.
Descargas
Referencias
J. C. Riquelme, R. Ruiz, and K. Gilbert, “Minería de Datos: Conceptos y Tendencias,” 2006.
K. Gibert, R. Ruiz, and J. Riquelme, “Mineria de Datos: Conceptos y Tendencias,” Intel. Artif. Rev. Iberoam. Intel. Artif. ISSN 1137-3601, No. 29, 2006 (Ejemplar Dedic. a Minería Datos), pags. 11-18, 2019.
P. Sripawatakul and D. Sutivong, “Predicting Customer Churn in Mobile Football Application,” 2017.
Tingting Bi, Yang Liu, Peng Li, and Siben Li, “Telecom Customer Churn Prediction Method Based on Cluster Stratified Sampling Logistic,” in International Conference on Software Intelligence Technologies and Applications & International Conference on Frontiers of Internet of Things 2014, 2014, pp. 282–287.
M. K. Awang, M. Makhtar, M. N. A. Rahman, and M. M. Deris, “A New Customer Churn Prediction Approach Based on Soft Set Ensemble Pruning,” in Recent Advances on Soft Computing and Data Mining, 2017, pp. 427–436.
P. K. Dalvi, S. K. Khandge, A. Deomore, A. Bankar, and V. A. Kanade, “Analysis of customer churn prediction in telecom industry using decision trees and logistic regression,” in 2016 Symposium on Colossal Data Analysis and Networking (CDAN), 2016, pp. 1–4.
J. Hadden, A. Tiwari, R. Roy, and D. Ruta, “Computer assisted customer churn management: State-of-the-art and future trends,” Comput. Oper. Res., vol. 34, pp. 2902–2917, 2007.
Y. Chen, X. Xie, S.-D. Lin, and A. Chiu, “WSDM Cup 2018: Music Recommendation and Churn Prediction,” 2018.
M. North, “Data Mining for the Masses,” 2012.
M. Zairi, “Managing customer dissatisfaction through effective complaints management systems,” TQM Mag., vol. 12, no. 5, pp. 331–337, 2000.
H. Singh, “The Importance of Customer Satisfaction in Relation to Customer Loyalty and Retention,” 2006.
E. Carvajal, “La fidelidad del consumidor en la distribución detallista,” Madrid, España, 2015.
A. Herrera, “Prediccion De Fuga De Clientes Desde Un Enfoque De Competencia,” Santiago de Chile, 2013.
F. F. Reichheld and W. E. Sasser, “Zero defections: quality comes to services.,” Harv. Bus. Rev., vol. 68, no. 5, pp. 105–11.
Asomedios, “Estudio de Inversión Publicitaria Neta.”
L. Calzada San Juan and D. LA Ciudad De Guatemala, “Importancia de la regulación sobre la publicidad exterior en la Calzada San Juan, zona 7 de la Ciudad de Guatemala.”
E. Breva and C. Balado, “La Creatividad de la publicidad exterior: teoría y práctica a partir de la visión de los creativos,” Área Abierta, vol. 22, pp. 1–19, 2009.
C. Tovar, “Investigación Sobre La Aplicación De Business Intelligence En La Gestión De Las PYMES De Argentina,” 2017.
D. M. Pabon Contreras and J. O. Bautista Maldonado, “El papel de la minería de datos en la inteligencia de negocios, una revisión literaria,” 2010.
“Infographic: Big data, big profits | McKinsey.” [Online]. Available: https://www.mckinsey.com/business-functions/marketing-and-sales/our-insights/infographic-big-data-big-profits. [Accessed: 05-Nov-2018].
L. Contreras Chinchilla and K. R. Ferreira, “Análisis del comportamiento de los clientes en las redes sociales mediante técnicas de Minería de Datos.”
Publicado
Número
Sección
Licencia
Working Papers by Institución Universitaria Politécnico Grancolombiano is licensed under a Creative Commons Reconocimiento-NoComercial-SinObraDerivada 3.0 Unported License.
Creado a partir de la obra en http://www.poligran.edu.co/wpmis
