Comparación de algoritmos de aprendizaje automático para la predicción del abandono de clientes en ISP

Resumen

La predicción del abandono de clientes constituye un desafío estratégico para los proveedores de servicios de Internet debido a su impacto en la retención de usuarios y la sostenibilidad del negocio. Este estudio comparó el desempeño de algoritmos de aprendizaje automático para la predicción del churn utilizando el conjunto de datos público Internet Service Customer Churn. La investigación se desarrolló bajo la metodología CRISP-DM e incluyó análisis exploratorio, imputación de valores faltantes mediante KNNImputer y entrenamiento de modelos basados en Árboles de Decisión, Random Forest, Máquina de Vectores de Soporte y Red Neuronal Multicapa. Asimismo, se evaluó el efecto de las técnicas de balanceo SMOTE, ADASYN y Borderline-SMOTE sobre el rendimiento predictivo. Los resultados evidenciaron que Random Forest sin balanceo alcanzó el mejor desempeño en el conjunto original, con una exactitud de 91,16 %, precisión de 94,13 %, exhaustividad de 89,64 %, medida F1 de 91,83 % y ROC-AUC de 97,09 %. Además, las técnicas de balanceo no generaron mejoras consistentes en todos los escenarios evaluados, evidenciando que su efectividad depende de las características de los datos y del algoritmo utilizado. Estos hallazgos aportan evidencia empírica sobre la efectividad comparativa de los modelos evaluados y proporcionan una referencia metodológica reproducible para futuras investigaciones.