Mostrar el registro sencillo del ítem

dc.rights.licenseAtribución-NoComercial-CompartirIgual 4.0 Internacional (CC BY-NC-SA 4.0)
dc.contributor.advisorRodríguez Pinzón, Heivar Yesid
dc.contributor.authorSierra Morales, Sergio Felipe
dc.contributor.editorFundación Universitaria Konrad Lorenz
dc.date.accessioned2022-12-07T19:38:01Z
dc.date.available2022-12-07T19:38:01Z
dc.date.issued2022
dc.identifier.urihttps://repositorio.konradlorenz.edu.co/handle/001/5139
dc.description.abstractLa fidelización de clientes es uno de los grandes inconvenientes que tiene las empresas aseguradoras a nivel mundial, para ello buscan tener técnicas en analítica idóneas que les permitan estar a la vanguardia en el mercado. Por lo tanto, el objetivo del proyecto es diseñar un modelo probabilístico a partir de algoritmos de análisis que permita un acercamiento con la probabilidad de abandono de los clientes corporativos hacia la aseguradora. La empresa por analizar se desempeña en el sector asegurador colombiano con la venta de pólizas y la administración de riesgos laborales que actualmente trabaja en la reducción de la tasa de abandono con el fin de mejorar los servicios prestados por ello existe la motivación para realizar el presente trabajo colaborativo. Considerando las diferentes aplicaciones de la ciencia de datos se decide hacer uso de sus técnicas, el proyecto se desarrolla bajo la metodología CRIPS DM, durante la fase I, comprensión del negocio, se determinan las necesidades y se obtiene conocimientos de trabajos asociados ya realizados por parte de los interesados. La fase II, entendimiento de los datos, se realiza una exploración de los datos suministrados y se definen tres algoritmos para estudiar, la fase III relacionada a la preparación de los datos, las variables fuertemente correlacionadas con la variable objetivo fueron descartadas, para la fase IV y V, el modelado y la evaluación, respectivamente, con los algoritmos previamente seleccionados se realizan 33 experimentos iterando entre los hiperparámetros disponibles y técnicas de balanceamiento de clases, donde, el modelo seleccionado será un apoyo para las diferentes áreas interesadas para la elaboración de planes de acción en la retención de clientes, por lo tanto, los resultados arrojados permite dos alternativas de solución basadas en XGBoost, por la precisión de captar clientes con intenciones de desertar y la alternativa de ahorro abordando un porcentaje de estos clientes.spa
dc.description.abstractCustomer loyalty is one of the major drawbacks that insurance companies have worldwide, for this reason they seek to have suitable analytical techniques that allow them to be at the forefront of the market. Therefore, the objective of the project is to design a probabilistic model based on analysis algorithms that allow an approach with the probability of abandonment of corporate customers to the insurance company. The company to be analyzed works in the Colombian insurance sector with the sale of policies and the administration of labor risks and is currently working on the reduction of the abandonment rate in order to improve the services provided, thus the motivation to carry out this collaborative work. Considering the different applications of data science it is decided to make use of its techniques, the project is developed under the CRIPS DM methodology, during phase I, understanding the business, the needs are determined and knowledge is obtained from associated work already done by the stakeholders. Phase II, understanding the data, an exploration of the supplied data is performed and three algorithms are defined to study, phase III related to data preparation, the variables strongly correlated with the target variable were discarded, for phase IV and V, modeling and evaluation, respectively, with the previously selected algorithms 33 experiments are performed iterating between the available hyperparameters and class balancing techniques, where, the selected model will be a support for the different interested areas for the elaboration of action plans in customer retention, therefore, the results yielded allow two solution alternatives based on XGBoost, for the accuracy of capturing customers with intentions of defection and the alternative of saving by addressing a percentage of these customers.eng
dc.format.extent82 páginas: tablas; figurasspa
dc.format.mimetypeapplication/pdfspa
dc.language.isospaspa
dc.publisherBogotá D.C : Fundación Universitaria Konrad Lorenz, 2022spa
dc.rightsAtribución – No comercial – Sin derivar: permite que otros puedan descargar las obras y compartirlas con otras personas, siempre que se reconozca su autoría, pero no se pueden cambiar de ninguna manera ni se pueden utilizar comercialmente.spa
dc.subject.otherMinería de datos
dc.subject.otherProcesamiento de datos
dc.subject.otherAnálisis de datos
dc.subject.otherInteligencia artificial
dc.titleModelo análisis predictivo para el cálculo de tasa de deserción en una empresa aseguradoraspa
dc.typeTrabajo de grado - Maestríaspa
dc.relation.referencesAndrade, F. (S.F de S.F de 2014). Aproximación a los facotres determinantes del Churn desde un enfoque de Marketing Relacional innovador: el punto de vista de los proveedores y clientes de Servicios. Aproximación a los facotres determinantes del Churn desde un enfoque de Marketing Relacional innovador: el punto de vista de los proveedores y clientes de Servicios. Madrid, España.spa
dc.relation.referencesBohórquez , M., Torys, J., & Aguirre Paredes , M. (2020). Modelos de predicción de deserción de clientes para una administradora de fondos ecuatoriana. Revista Compendium: Cuadernos de Economia y Administración, 1-11.spa
dc.relation.referencesCamilo E, B. B. (11 de 2018). Modelo de predicción de fuga de clientes en telefonía movíl prepagada. . Modelo de predicción de fuga de clientes en telefonía movíl prepagada. Bgotá D.C, Colombia.spa
dc.relation.referencesFajardo, D., & Motta, A. (2019). Modelo de abandono de clientes de una empresa de créditos en linea. Bogotá D.C.spa
dc.relation.referencesGarcía, J. L. (S.F de Junio de 2020). Estudio sobre la deserción de clientes de la empresa de telecomunicaciones TIGO en el. Estudio sobre la deserción de clientes de la empresa de telecomunicaciones TIGO en el. Pereira, S.F, Colombia.spa
dc.relation.referencesHudgeon, D., & Nichol, R. (2020). Machine Learning for Business. NY: Manning Publications Co.spa
dc.relation.referencesKavitha, V., Hemanth Kumar, G., Mohan Kumar, S., & Harish, M. (2020). Chrun Prediction of Customer in Telecom Industry using Machine Learning Algorithms. International Journal of Engineering Research & Technology (IJERT), 181-184.spa
dc.relation.referencesMintrabajo. (S.F de S.F de 2019). mintrabajo. Obtenido de mintrabajo: https://www.mintrabajo.gov.co/documents/20147/59926232/Proyecto+Decreto-+Actualizacion+Tabla+de+Clasificacion+de+Actividades+Economicas-+Sistema+General+de+Riesgos+Laborales.pdfspa
dc.relation.referencesNavlani, A., & Fandango, A. (2021). Python Data Analysis. Packt Publishing Ltd.spa
dc.relation.referencesPajankar, A., & Joshi, A. (2022). Hands-on Machine Learning with Python. Uttarakhand: Apress.spa
dc.relation.referencesRodrigo, J. A. (Octubre de 2020). Cienciadedatos.net. Obtenido de https://www.cienciadedatos.net/documentos/33_arboles_decision_random_forest_gradient_boosting_c50#Boostingspa
dc.relation.referencesTharwat, A. (2021). Classification assessment methods. Applied Computing and Informatics, Vol. 17 issue 1, 30.spa
dc.relation.referencesVluymans, S. (marzo de 2018). Dealing with Imbalanced and Weakly Labelled Data in Machine Learning using Fuzzy and Rough Set Methods . Dealing with Imbalanced and Weakly Labelled Data in Machine Learning using Fuzzy and Rough Set Methods . Granada, España: Universiteit Gent.spa
dc.rights.accessrightsinfo:eu-repo/semantics/openAccessspa
dc.subject.proposalMachine learningspa
dc.subject.proposalAprendizaje supervisado y no supervisadospa
dc.subject.proposalAlgoritmosspa
dc.subject.proposalRed neuronalspa
dc.subject.proposalChurn rate o tasa de abandonospa
dc.type.coarhttp://purl.org/coar/resource_type/c_bdccspa
dc.type.versioninfo:eu-repo/semantics/acceptedVersionspa
dc.description.degreenameMagíster en Analítica Estratégica de Datosspa
dc.description.degreelevelMaestríaspa
dc.publisher.facultyEscuela de Posgradosspa
dc.type.contentTextspa
dc.type.coarversionhttp://purl.org/coar/version/c_b1a7d7d4d402bccespa
dc.description.programMaestría en Analítica Estratégica de Datosspa
dc.rights.coarhttp://purl.org/coar/access_right/c_14cbspa


Ficheros en el ítem

Thumbnail
Thumbnail
Thumbnail
Thumbnail

Este ítem aparece en la(s) siguiente(s) colección(ones)

Mostrar el registro sencillo del ítem