Machine Learning aplicado a la retención de clientes: cómo un modelo predictivo puede reducir las pérdidas en más del 80%

Proyecto Final de Horacio Perez Elbirt
Diplomatura en Python orientado a Científico de Datos

En el mundo actual, donde la competencia entre empresas es cada vez más intensa, predecir y prevenir la fuga de clientes (churn) se ha convertido en una de las aplicaciones más valiosas del Machine Learning. En este artículo, analizamos un proyecto desarrollado por Horacio Nicolás Pérez, estudiante de la Diplomatura en Python orientada a Ciencia de Datos del Instituto Data Science Argentina, donde se entrenan modelos predictivos para identificar clientes con alta probabilidad de abandonar una compañía.

Objetivo del Proyecto:

Entrenar un modelo óptimo de Machine Learning para identificar futuros clientes que tengan las características de un cliente “Churned” y poder generar las acciones necesarias para evitar su fuga.

1. Presentación del caso bajo análisis y objetivo
2. Análisis exploratorio descriptivo
3. Limpieza de datos y dataset final
4. Selección de modelo de Machine Learning
5. Entrenamiento
6. Resultados y comparación de modelos
7. Evaluación económica
8. Conclusiones Caso bajo análisis:

El proyecto se centró en el entrenamiento y comparación de dos modelos de Machine Learning:

• Máquinas de Soporte Vectorial (SVM)
• Árboles de Decisión

En ambos casos, se aplicaron técnicas de división de datos en entrenamiento y prueba, escalado de variables (para SVM) y validación cruzada para optimizar los hiperparámetros y mejorar la capacidad de predicción.

El objetivo principal: identificar a los clientes con mayor probabilidad de irse de la empresa para anticiparse con estrategias de retención efectivas.

Resultados y comparación de modelos

Tras ajustar los modelos, se evaluaron tres métricas principales:

• Precisión general del modelo
• Recall específico para clientes con riesgo de baja (churn)
• Métricas de desempeño global

El modelo SVM demostró un mejor rendimiento, con un recall de 86,5%, superando al árbol de decisión, que alcanzó un 82,3%.
Esto significa que el modelo SVM logra identificar correctamente a la gran mayoría de los clientes que se darían de baja.

Horacio Perez Elbirt

Soy de Salta capital. Actualmente vivo en Córdoba, dónde estudié y me gradué como Licenciado en Economía. Los últimos años de la carrera trabajaba a jornada parcial mientras comencé a estudiar a la par pequeños cursos de Python, Power BI, SQL, etc. Finalizados mis estudios de grado en 2022 empecé a trabajar como Analista de Datos para una empresa que se especializa en brindar asesoramiento financiero y soluciones tecnológicas. Actualmente me estoy especializando en planeamiento y distribución logística de productos para empresas de Brasil, dónde logro combinar mis conocimientos de programación y economía. Decidí realizar la Diplomatura en Python para mejorar mis habilidades de programación y profundizar en conocimientos teóricos y prácticos.

LinkedIn de Horacio Perez Elbirt: https://www.linkedin.com/in/horacioelbirt/