| dc.contributor.advisor | Mejía Manzano, Julio Eduardo | |
| dc.coverage.spatial | cead_-_josé_acevedo_y_gómez | |
| dc.creator | Ariza Cabrejo, Leidy Tamara | |
| dc.date.accessioned | 2026-06-23T19:37:43Z | |
| dc.date.available | 2026-06-23T19:37:43Z | |
| dc.date.created | 2025-09-29 | |
| dc.identifier.uri | https://repository.unad.edu.co/handle/10596/82472 | |
| dc.description.abstract | En la industria de telecomunicaciones la cantidad de clientes genera diariamente datos masivos, por tanto, resulta más viable retener los clientes actuales ya que una base de datos nueva implica altos costos, por ese motivo, se propone implementar un modelo predictivo de regresión logística para anticipar la deserción de clientes en estas empresas. Se realizará una clasificación de variables que ayudarán a determinar los factores que más influyen en la deserción y probabilidad de churn de cada usuario tales como variables sociodemográficas, patrones de consumo y datos de facturación. Los resultados permitirán a las empresas diseñar estrategias de retención más efectivas, reducir los costos asociados a la pérdida de clientes y fortalecer su competitividad en el mercado. | |
| dc.format | pdf | |
| dc.title | Predicción de la deserción de clientes en empresas de telecomunicaciones mediante un modelo de regresión logística | |
| dc.type | Proyecto aplicado | |
| dc.subject.keywords | Telecomunicación | |
| dc.subject.keywords | Retención | |
| dc.subject.keywords | Análisis de datos | |
| dc.subject.keywords | Datos estadísticos | |
| dc.subject.keywords | Análisis de regresión | |
| dc.description.abstractenglish | In the telecommunications industry, the number of customers generates large-scale data daily. In this case, retaining current customers is feasible since a new database entails high costs. Therefore, a predictive logistic regression model is proposed to anticipate customer churn in these companies. A classification of variables will help determine the factors that most influence churn and the probability of churn for each user, such as sociodemographic variables, consumption patterns, and billing data. The results will allow companies to design more effective retention strategies, reduce the costs associated with customer loss, and strengthen their competitiveness in the market. | |
| dc.subject.category | Estadística | |
| dc.subject.category | Ciencia datos | |