Modelos de machine learning para predicción de retención de usuarios en plataformas digitales: mapeo sistemático de literatura

Abstract

La predicción del comportamiento y retención de usuarios en plataformas digitales representa un desafío crítico para la sostenibilidad empresarial en la era digital. Este trabajo de grado presenta un mapeo sistemático de literatura que analiza los modelos de aprendizaje automático aplicados a la predicción de retención y abandono de usuarios, con énfasis particular en plataformas de redes sociales como TikTok. El mapeo examina cuarenta estudios académicos publicados entre 2020 y 2025, identificando los modelos supervisados y no supervisados más utilizados, las variables comportamentales clave, las métricas de evaluación empleadas y los desafíos metodológicos reportados en la literatura. Los hallazgos revelan que los modelos de ensamble, especialmente XGBoost y Random Forest, dominan las aplicaciones prácticas alcanzando precisiones del ochenta y cinco al noventa y seis por ciento, mientras que arquitecturas híbridas de aprendizaje profundo establecen el estado del arte con puntuaciones F1 superiores al noventa por ciento. Las variables comportamentales más frecuentes incluyen frecuencia de acceso, duración de sesión, nivel de interacción y tiempo de permanencia. El estudio identifica vacíos críticos en interpretabilidad de modelos, generalización entre dominios, adaptación al desfase de concepto y disponibilidad de datos en plataformas propietarias como TikTok. El mapeo proporciona un marco integral para investigadores y profesionales en ciencias de datos que buscan implementar soluciones de predicción de retención en entornos digitales.