Please use this identifier to cite or link to this item:
http://dspace.utpl.edu.ec/handle/29.500.19856/70827
Title: | Predicción de pérdida de clientes bancarios mediante KDD y Aprendizaje Automático |
Authors: | González Eras, Alexandra Cristina Castillo Flores, Raham Dair |
Keywords: | Ecuador. Tesis digital. |
Issue Date: | 2025 |
Citation: | Castillo Flores, R. D. González Eras, A. C. (2025) Predicción de pérdida de clientes bancarios mediante KDD y Aprendizaje Automático [Tesis de Posgrado, Universidad Técnica Particular de Loja]. Repositorio Institucional. https://dspace.utpl.edu.ec/handle/29.500.19856/70827 |
Abstract: | Abstract: We find ourselves in a changing world in which companies offering financial services are constantly evolving. There is no shortage of options for customers to choose a bank with better benefits and make the decision to invest their money. Therefore, the main challenges for banking institutions are to retain and avoid customer churn. This research paper proposes the use of the KDD methodology to predict bank customer churn using Machine Learning algorithms. A review of related work is conducted to define variables, best models, and metrics used for this type of problem, through experimentation on a Kaggle customer churn dataset. The results are compared using evaluation metrics (Accuracy, Precision, Recall, F1-Score, and AUC) to show that the best-performing models were Random Forest, XGBoost, and the MLP Neural Network. Additionally, a data visualization prototype is being developed using Dash to analyze customer churn. |
Description: | Resumen:Nos encontramos en un mundo cambiante en el que las empresas que ofrecen servicios financieros se encuentran en constante evolución. No faltan opciones para que los clientes opten por una entidad bancaria con mejores prestaciones y tomen la decisión de invertir su dinero. Por lo que, los principales retos de las instituciones bancarias es retener y evitar la pérdida de clientes. En este trabajo de investigación se propone el uso de la metodología KDD para predecir la pérdida de clientes bancarios utilizando algoritmos de Aprendizaje Automático. Se realiza una revisión de trabajos relacionados para definir variables, mejores modelos y las métricas utilizadas para este tipo de problemas, mediante la experimentación de un conjunto de datos de pérdida de clientes de Kaggle. Los resultados se comparan mediante las métricas de evaluación (Accuracy, Precisión, Recall, F1-Score y AUC) para obtener que los modelos de mejor rendimiento fueron Random Forest, XGBoost y la Red Neuronal MLP. Además, se desarrolla un prototipo de visualización de datos utilizando Dash para el análisis de la pérdida de clientes. |
URI: | https://bibliotecautpl.utpl.edu.ec/cgi-bin/abnetclwo?ACC=DOSEARCH&xsqf99=144675.TITN. |
Appears in Collections: | Maestría en Inteligencia Artificial Aplicada |
Files in This Item:
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.