Sistema predictivo para el análisis de la tasa de portabilidad de los clientes B2C postpago en una empresa de telecomunicaciones en Lima usando herramientas de Machine Learning

Abstract

El crecimiento del sector de telecomunicaciones en el Perú ha incrementado la necesidad de herramientas avanzadas que permitan predecir la portabilidad de clientes y mejorar la gestión de retención de clientes. Ante este contexto, la presente investigación desarrolla un sistema predictivo que permite predecir la portabilidad de clientes B2C, utilizando herramientas de aprendizaje automático. Para el desarrollo del sistema predictivo, se integró un modelo de predicción utilizando el algoritmo XGBoost, entrenado con un conjunto de datos de 19,067,280 registros anonimizados y simulados, estructurados para replicar el comportamiento real del periodo noviembre 2023 a abril 2024. Este conjunto de datos incluye variables representativas relacionadas con clientes, desactivaciones por portabilidad y quejas del sector de telecomunicaciones del Perú. Para mejorar la calidad del conjunto de datos, se aplicaron técnicas de procesos de limpieza, normalización y balanceo de datos. Se evaluaron tres algoritmos: Regresión Logística, Árbol de Decisión y XGBoost, siendo este último el que obtuvo mejor desempeño con un AUC de 78,31%. Asimismo, el sistema integra módulos de autenticación de usuarios, carga de archivos y un dashboard con indicadores clave para el análisis de los resultados del modelo. Por lo cual, esta interfaz permite centralizar la información y facilita el uso del sistema predictivo por parte del personal responsable, contribuyendo a la toma de decisiones, identificación temprana de patrones de portabilidad y el diseño de estrategias mejor segmentadas para las campañas de retención. Los resultados obtenidos muestran que el sistema desarrollado facilita la identificación de clientes en riesgo de portar y mejora decisiones de retención

The growth of the telecommunications sector in Peru has increased the need for advanced tools that can predict customer portability and improve retention management. In this context, the present research develops a predictive system designed to forecast the portability of B2C customers using machine learning techniques. For the development of the predictive system, a model was implemented using the XGBoost algorithm, trained on a dataset of 19,067,280 anonymized and simulated records structured to replicate real behavior from November 2023 to April 2024. This dataset includes representative variables related to customers, portability-related deactivations, and complaints within the Peruvian telecommunications sector. To improve data quality, preprocessing techniques such as cleaning, normalization, and data balancing were applied. Three algorithms were evaluated—Logistic Regression, Decision Tree, and XGBoost—with XGBoost achieving the best performance, obtaining an AUC of 78.31%. Additionally, the system integrates user authentication modules, file upload capabilities, and a dashboard containing key indicators for analyzing the model’s results. This interface centralizes information and facilitates the use of the predictive system by authorized personnel, supporting decision-making, early identification of portability patterns, and the design of better-targeted retention strategies. The results demonstrate that the developed system supports the identification of customers at risk of porting and enhances decision-making processes related to retention.