Clusterización y aplicación de modelos predictivos para la identificación de factores que conlleven a una desafiliación de una cooperativa financiera

Abstract

La retención es vital para la rentabilidad y crecimiento de una empresa, ya que conservar a los clientes existentes es más rentable que adquirir nuevos (Rana et al., 2023). Se realiza un análisis exploratorio de datos y se emplean técnicas de minería de datos para descubrir patrones y obtener información relevante a partir de datos históricos. Métodos de aprendizaje no supervisado como K-means contribuyen a la segmentación y personalización de estrategias de retención (Supraja & Sairamesh, 2023). Además, la integración de modelos de ensamble como Los Árboles de decisión y Random Forest, mejoran la precisión de las predicciones al manejar desequilibrios en los datos (Zhang et al., 2020; Allegue et al., 2020). La implementación de estos modelos predictivos en las empresas ha demostrado ser efectiva para prevenir la desafiliación de clientes y optimizar las estrategias de retención, aumentando la competitividad y rentabilidad (Wu & Li, 2018), lo que facilita una comprensión más profunda de las dinámicas de desafiliación y permite diseñar estrategias de intervención más efectivas y adaptadas a las necesidades específicas.