Riesgo de Churn · RedNeuronal v8

Proyecto Riesgo de Churn - Scoring

Modelo predictivo para identificar clientes con alta probabilidad de desconexion en Supercanal Mendoza. Integra datos operativos de SIGA, variables de comportamiento y una red neuronal artificial para priorizar acciones de retencion.

7 Clientes Desconectados

Tabla de clientes desconectados con variables del modelo

CLIENTENROIdentificador unico del cliente en SIGA.

X₁ = Q reclCantidad de reclamos del cliente.

X₂ = Q offlineCantidad de veces offline o sin servicio.

X₃ = antiguedad (meses)Meses de antiguedad del contrato de Internet.

X₄ = planMenor a 50 Mbps es 0, 100 Mbps es 1 y mayor a 300 Mbps.

X₅ = clienteenmoraCantidad de veces que el cliente entro en mora.

X₆ = QcuotasCantidad de cuotas o facturas impagas.

X₇ = aumento_precioSi el cliente tuvo un aumento de precio de al menos 50%.

Bolsa de 16.076 clientes desconectados

Modelo Descriptivo de Clientes Desconectados (Regresion Logistica)

Ecuacion:

y = 1 1 + e^−f(x)

y → Variable a predecir

x → Variable predictora

β → Coeficiente

e → Constante epsilon

Donde:

f(x) = β₀ + β₁x₁ + β₂x₂ + β₃x₃ … + β_nx_n

1° Modelo Estimativo

Formula modelo de churn - calculo de probabilidad de baja

Ajuste de Formula con BD

Ajustamos los pesos de las variables con 16.076 registros de clientes desconectados.

Regresion Logistica

Base de Clientes Conectados

Con la formula final que modela el comportamiento de los clientes desconectados aplicada a la base de clientes conectados de Mendoza de FTTH obtenemos el % de Riesgo de Churn para cada cliente conectado.

19.491 Clientes Conectados FTTH - Mendoza

Problemas del modelo de regresion logistica

Bajo poder predictivo en scores altos
Con score ≥70%, la captura de clientes que efectivamente se dieron de baja fue baja (falsos positivos altos / recall pobre en el tramo alto).
Peso de la variable plan sobredimensionado
Su coeficiente (-0,10) no refleja bien su aporte real; probablemente esta absorbiendo varianza de otras variables correlacionadas o mal escaladas.
Posible fuga de informacion (data leakage) en aumento_precio
Es la variable con mayor peso (0,55), pero no esta claro si el dato se registra antes o despues de la baja. Si es posterior, el modelo estaria "haciendo trampa" prediciendo con informacion que no existia al momento de decidir.
No se podia ajustar la precision del modelo ni medir metricas de forma iterativa para optimizarlo.
Al ser un modelo con coeficientes fijos y definidos manualmente, no habia forma de recalibrar pesos, ni validar con metricas como AUC, precision o recall.

#	Variable	Descripcion
1	CLIENTES	Identificador unico del cliente en SIGA.
2	Q_Cant_recl	Cantidad de reclamos del cliente
3	Q_vecesoffline	Cantidad de veces offline o sin servicio.
4	Q_antig_meses	Antiguedad del cliente en meses.
5	velc_menor100mb	Plan de velocidad menor a 100 Mbps.
6	velc_100mb	Plan de velocidad 100 Mbps.
7	velc_300mb	Plan de velocidad 300 Mbps.
8	Qclientemora	Cantidad de veces que el cliente entro en mora
9	Qfacturas_impagas	Cantidad de facturas impagas.
10	Qmontoultima_factura	Monto de la ultima factura PAGA
11	cat_ftth	Categoria de producto FTTH.
12	cat_duplo	Categoria de producto Duplo.
13	cdad_cd	Ciudad del Cliente : Ciudad

#	Variable	Descripcion
14	cdad_gc	Ciudad del Cliente : Godoy Cruz
15	cdad_gm	Ciudad del Cliente : Guaymallen
16	cdad_LH	Ciudad del Cliente : Las Heras
17	cdad_Lj	Ciudad del Cliente : Lujan de Cuyo
18	cdad_mp	Ciudad del Cliente : Maipú
19	metodpago_debito	Metodo de pago: debito automatico.
20	metodpago_credito	Metodo de pago: credito.
21	metodpago_rapi_pago_mercado	Metodo de pago: Rapipago, Pagofacil o Mercado Pago
22	Churn	Variable Objetivo: 1 = Desconectado, 0 = Conectado

#	Variable	Tipo de variable
1	CLIENTES	int64
2	Q_Cant_recl	float64
3	Q_vecesoffline	float64
4	Q_antig_meses	float64
5	velc_menor100mb	int64
6	velc_100mb	int64
7	velc_300mb	int64
8	Qclientemora	float64
9	Qfacturas_impagas	float64
10	Qmontoultima_factura	float64
11	cat_ftth	int64
12	cat_duplo	int64

#	Variable	Tipo de variable
13	cdad_cd	int64
14	cdad_gc	int64
15	cdad_gm	int64
16	cdad_LH	int64
17	cdad_Lj	int64
18	cdad_mp	int64
19	metodpago_debito	int64
20	metodpago_credito	int64
21	metodpago_rapi_pago_mercado	int64
22	Churn	int64

Parte	Porcentaje	Filas	Uso
Entrenamiento (X_train, y_train)	80%	16.000	Entrenar el modelo
Test (X_test, y_test)	20%	4.000	Evaluar sin haber visto esos datos

Proyecto Riesgo de Churn - Scoring

7 Clientes Desconectados

1° Modelo Estimativo

Ajuste de Formula con BD

Regresion Logistica

Base de Clientes Conectados

Problemas del modelo de regresion logistica

REDES NEURONALES

REDES NEURONALES

REDES NEURONALES

REDES NEURONALES

Red Ventana de Contexto

Red Neuronal Artificial (ANN)

Entrenamiento de Red Neuronal

Programa Scoring - Churn

#	Q_antig_meses	velc_menor100mb	Qmontoultima_factura	cat_ftth	cat_duplo
845	0.149425	1	-1.061008	0	1
1698	0.609195	1	-0.256058	1	0
1887	0.195402	1	-1.061466	1	0