Análisis de las estrategias de retención y predicción de abandono de clientes (Churn) en el sector de las telecomunicaciones mediante el aprendizaje automático

Abstract

El presente trabajo de monografía se centra en el análisis comparativo y la justificación estratégica de las metodologías de Aprendizaje Automático (ML) aplicadas a la Predicción de Abandono de Clientes (Churn Prediction) en el sector de las telecomunicaciones. La investigación se justifica en la necesidad de migrar de una gestión de clientes reactiva a una proactiva, dado que el Abandono (Churn) es el principal riesgo financiero del sector. La capacidad de anticipación, impulsada por el ML, genera "grandes ahorros" al permitir la focalización de las acciones de retención (Alegre, 2020). La metodología empleada es un análisis documental cualitativo basado en la revisión de tres trabajos de especialización clave, complementados con literatura científica. Este análisis se enfoca en identificar, describir y comparar los enfoques metodológicos. Los resultados demuestran el predominio de modelos no lineales y de ensamble sobre enfoques estrictamente lineales. En los referentes primarios, las Redes Neuronales Artificiales (RNA) alcanzan desempeños altos (Pinto & Gutiérrez, 2023), mientras que los modelos basados en árboles y técnicas de boosting (Random Forest, XGBoost, LightGBM) muestran robustez y buen equilibrio entre rendimiento y estabilidad (Alegre, 2020; Falla Arango, 2021; Santamaría Guzmán, 2024). Sin embargo, estudios comparativos evidencian que la selección del “mejor” modelo depende de la métrica crítica del negocio (p. ej., sensibilidad/recall vs accuracy) y del costo de errores (Castro Rodríguez & Pérez Vázquez, 2020). En cuanto a variables, se confirma que los factores contractuales y de uso/consumo son los más influyentes, destacando Tenure y Tipo de Contrato, junto con cargos mensuales/totales y servicios asociados a Internet (p. ej., seguridad en línea) como predictores clave (Alegre, 2020; Zepeda Castillo et al., 2024). La conclusión estratégica clave es que la predicción solo es efectiva si se integra con la 3 Segmentación de Clientes (Clustering). La acción de retención es costo-efectiva únicamente cuando se dirige a clientes clasificados con ALTA PROBABILIDAD DE ABANDONO que pertenecen, simultáneamente, a segmentos de ALTO VALOR o rentabilidad para la compañía (Alegre, 2020). La monografía provee, por lo tanto, un marco analítico sólido para justificar la selección de algoritmos, la priorización de variables y la aplicación de la segmentación como pilar en la estrategia proactiva de retención de clientes Telco.