MODELO DE REGRESIÓN LOGÍSTICA PARA ESTIMAR LA PROBABILIDAD DE RETENCIÓN DE CLIENTES PROFESIONALES, EN UNA EMPRESA MINORISTA

Pedro Pablo Morales Ortiz, José Rolando Chávez Salazar

Resumen


La empresa requiere enfocar sus esfuerzos de mercadeo en desarrollar la lealtad en el segmento de clientes profesionales. Por ende, necesita contar con un sistema de información que indique la propensión a perder a sus clientes.

 

El estudio busca aplicar un modelo de regresión logística para predecir la retención de clientes profesionales. Se analizan variables que miden el comportamiento del cliente, como las variables RFM, y otras segmentaciones que se obtienen mediante el análisis de la base de datos transaccional de la empresa.

 

Se presenta el análisis de segmentación de los clientes y el modelo mejor ajustado a los datos reales, con una exactitud de predicción de 69.39%.

 

Se destaca la utilidad del modelo de regresión como herramienta para la toma de decisiones estratégicas y se recomienda a la empresa utilizarlo para mejorar sus estrategias de retención y fidelización de clientes.

Palabras clave


Modelo de regresión; K medias; correlación; retención de clientes.

Citas


Aleksandrova, Y. (2018). Application of machine learning for churn prediction base don transactional data (RFM análisis). SGEM International Multidisciplinary ScientificGeoConference EXPO Proceedings. Congreso llevado a cabo en Sofia, Bulgaria. https://doi.org/10.5593/ sgem2018/2.1/s07.016.

Cuadros, L. Gonzales, C. y Jiménez, P. (2017). Análisis multivariado para segmentación de clientes basada en RFM. Tecnura, 21(54), 41–51. https://doi.org/ 10.14483/22487638.12957

Dogan, O., Aycin, E., & Bulut, Z. (2018). Customer segmentation by using rfm model and clustering methods: a case study in retail industry. International Journal of Contemporary Economics a n d Administrative Sciences, 8(1), 1–19. https:/ /doi.org/10.5930/ issn.1925-4423

Hargreaves, C. (2019). A Machine Learning Algorithm for Churn Reduction & Revenue Maximization: An Application in the Telecommunication Industry. International Journal of Future Computer and Communication, 8(4), 109–113. https:/ /doi.org/10.18178/ijfcc.2019.8.4.550

Jain, H., Khunteta, A., & Srivastava, S. (2020). Churn Prediction in Telecommunication using Logistic Regression and Logit Boost. Procedia Computer Science, 167, 101–112. h t t p s : / / d o i . o r g / 1 0 . 1 0 1 6 / j . procs.2020.03.187


Texto completo: PDF

Refbacks

  • No hay Refbacks actualmente.