Browsing by Author "Mosquera Valencia, Diego Fernando"

Now showing 1 - 4 of 4
  • Thumbnail Image
    Item
    Desarrollo de un modelo predictivo de abandono y segmentación de clientes para COLOMBIA INTERNET ISP: análisis del churn rate
    (Pontificia Universidad Javeriana Cali, 2025) Jimeno Grisales, Evelyn; Garrido García, Oscar Mauricio; García Lemus, Deybison Antonio; Mosquera Valencia, Diego Fernando
    El presente proyecto se centra en el desarrollo de un modelo predictivo orientado a la estimación del churn-rate en COLOMBIA INTERNET ISP, empresa de servicios de Internet con operaciones en los departamentos del Valle del Cauca y Tolima. La empresa registra una tasa de abandono promedio del 2.1% mensual. A través del uso de técnicas de análisis de datos y algoritmos de aprendizaje automático, se busca identificar patrones de comportamiento asociados a la pérdida de clientes y construir un modelo capaz de predecir dicho fenómeno con base en variables demográficas, comerciales y de uso del servicio. La metodología aplicada sigue el enfoque CRISP-DM, e incluye etapas de comprensión del negocio, recolección y preparación de datos, modelado, evaluación e implementación. Se implementaron técnicas de imputación, transformación y depuración de datos, así como análisis univariado y de correlación para seleccionar variables relevantes. Posteriormente, se entrenaron y evaluaron distintos modelos de clasificación, tales como regresión logística, árboles de decisión, random forest y XGBoost, utilizando métricas de desempeño como sensibilidad, precisión, F1-score y área bajo la curva ROC (AUC) para seleccionar el modelo con mejor rendimiento. Finalmente, se realizó una segmentación de clientes utilizando técnicas de clustering, con el propósito de identificar perfiles con distintos niveles de riesgo de abandono. Este proyecto constituye una aplicación integral de la ciencia de datos al análisis del churn en el sector de telecomunicaciones, desde la preparación y exploración de datos hasta la evaluación comparativa de modelos predictivos y la segmentación de usuarios con base en su comportamiento.
  • Thumbnail Image
    Item
    Implementación de machine learning para la estimación del riesgo de fuga de los clientes en empresa de la industria del retail de moda en Colombia
    (Pontificia Universidad Javariana Cali, 2024) Elorza Velásquez, Sebastián; Mosquera Valencia, Diego Fernando
    El trabajo de grado presentado, titulado "Implementación de Machine Learning para la Estimación del Riesgo de Fuga de los Clientes en una Marca de una Empresa de la Industria del Retail de Moda en Colombia", tiene como objetivo principal desarrollar una herramienta predictiva que permita identificar los clientes con mayor probabilidad de abandonar la marca. Esto se busca lograr mediante la aplicación de técnicas de machine learning que analicen el comportamiento de los clientes, sus hábitos de compra y las interacciones con la empresa. El problema central identificado es que la empresa del caso de estudio, Chevignon, sufre una pérdida significativa de clientes cada año, lo que afecta tanto los ingresos como la percepción de marca. En respuesta a esta problemática, se propuso utilizar datos históricos y técnicas de aprendizaje automático para predecir el riesgo de abandono y así mejorar las estrategias de retención.El modelo de predicción desarrollado emplea varios algoritmos, entre ellos XGBoost, Random Forest, Support Vector Machines (SVM) y redes neuronales artificiales (ANN). Los resultados muestran que el modelo XGBoost obtuvo el mejor desempeño con una precisión del 86.18% y una sensibilidad del 88.35%, lo que lo convierte en la herramienta más adecuada para predecir la fuga de clientes. La capacidad de predecir el abandono permitió a la empresa implementar acciones proactivas, como ofertas personalizadas y programas de fidelización, lo que ayudará a reducir la pérdida de clientes. El trabajo también enfatiza la importancia de la limpieza y la preparación de los datos, destacando la necesidad de eliminar variables altamente correlacionadas que podrían afectar la precisión del modelo. A lo largo del proceso, se evaluó la importancia de las variables en el modelo, identificándose que factores como la permanencia del cliente y el tiempo en la marca son determinantes en la predicción del abandono. En cuanto a trabajos futuros, se sugiere continuar optimizando los modelos mediante la incorporación de nuevas variables, el ajuste de hiperparámetros y la experimentación con otros algoritmos, como redes neuronales profundas o técnicas de ensamblado de modelos. También se propone investigar la posibilidad de implementar el modelo en tiempo real y personalizar las estrategias de retención en función del perfil y comportamiento de los clientes. En conclusión, este trabajo ofrece una herramienta valiosa para la marca, que, al predecir el riesgo de abandono, permitirá a la empresa tomar decisiones más informadas y estratégicas para mejorar la retención de clientes, reduciendo costos asociados y aumentando la competitividad en un mercado en constante cambio.
  • Thumbnail Image
    Item
    Modelo predictivo basado en machine learning para predecir la cantidad de casos de violencia contra la mujer en la ciudad de Bogotá
    (Pontificia Universidad Javeriana Cali, 2026) Meneses Molina, Mallory Yulieth; Melo Balcázar, Samuel; Mosquera Valencia, Diego Fernando
    El presente proyecto aplicado aborda la problemática de la violencia contra la mujer en Bogotá, enfocándose específicamente en los registros de violencia intrafamiliar y homicidios reportados por el Instituto Nacional de Medicina Legal y Ciencias Forenses (INMLCF). Este fenómeno constituye un problema social de carácter estructural y una violación sistemática de los derechos humanos, cuya persistencia vulnera la seguridad e integridad de las mujeres, lo que hace imperativo fortalecer la capacidad institucional de respuesta. La investigación tuvo como objetivo desarrollar un modelo basado en técnicas de aprendizaje automático que permitiera identificar patrones sociodemográficos, espaciales y de comportamiento, además de predecir la cantidad de casos en las diferentes localidades de la ciudad. Para su ejecución se implementó la metodología CRISP-DM, la cual permitió estructurar el proceso iniciando con la fase de comprensión del negocio, garantizando que el desarrollo técnico estuviera alineado con los objetivos estratégicos y las necesidades reales del entorno. Como principales resultados, se identificaron perfiles de victimización representativos y territorios con mayor incidencia, logrando modelos de segmentación y predicción capaces de anticipar tendencias futuras del fenómeno con alta consistencia técnica. Estos hallazgos demuestran la importancia de transitar de una gestión de datos puramente descriptiva hacia una capacidad de anticipación territorial fundamentada en la ciencia de datos. Las aplicaciones del proyecto se orientan al fortalecimiento de los sistemas de monitoreo, la priorización estratégica de recursos y la formulación de políticas públicas que mejoren la prevención activa de la violencia de género. Finalmente, se concluye que la integración de modelos analíticos avanzados y herramientas de visualización permite transformar los registros históricos en activos de información crítica para la toma de decisiones, facilitando intervenciones estatales más oportunas, precisas y eficaces para salvaguardar la vida e integridad de las mujeres en Bogotá.
  • Thumbnail Image
    Item
    Sistema de recomendación de colaboradores académicos basado en clustering de perfiles de investigación
    (Pontificia Universidad Javeriana Cali, 2026) De la Espriella Álvarez, Carolina; Mosquera Valencia, Diego Fernando
    El presente proyecto aplicado aborda el diseño y desarrollo de un sistema de recomendación de colaboradores académicos basado en clustering de perfiles de investigación, orientado a facilitar la identificación de investigadores potencialmente compatibles dentro del Sistema Nacional de Ciencia, Tecnología e Innovación (SNCTI). La importancia del proyecto radica en que la colaboración científica constituye un factor clave para fortalecer redes académicas, formular proyectos interdisciplinarios y aprovechar de manera más eficiente el capital humano científico, sin embargo, los procesos actuales de búsqueda de colaboradores suelen depender de mecanismos manuales, redes personales o información fragmentada, lo que limita la visibilidad de perfiles afines y reduce las oportunidades de articulación entre investigadores. El objetivo general consiste en construir una herramienta de aprendizaje no supervisado que permita caracterizar perfiles académicos, identificar agrupaciones naturales de investigadores y generar recomendaciones de colaboradores potenciales. Para ello, se consolida y prepara una base de datos de investigadores reconocidos por Minciencias, incorporando procesos de limpieza, estandarización, tratamiento de valores atípicos, imputación y construcción de variables derivadas. Posteriormente, se evalúan diferentes técnicas de clustering y se selecciona K Means++ con k = 4 como modelo final, debido a su equilibrio entre desempeño técnico, estabilidad e interpretabilidad. Como resultado, se identifican cuatro arquetipos de investigadores y se diseña un motor de recomendación basado en similitud vectorial y consulta k-NN, capaz de generar listas ordenadas de colaboradores potenciales dentro de cada segmento. Además, se desarrolla una aplicación interactiva que operacionaliza el modelo y permite consultar perfiles, visualizar el arquetipo asociado y obtener recomendaciones de investigadores compatibles. La solución propuesta tiene aplicaciones potenciales en la gestión de redes científicas, la conformación de equipos de investigación, el fortalecimiento de capacidades institucionales, la identificación de aliados académicos y el apoyo a estrategias de colaboración interdisciplinaria. Su alcance corresponde a un prototipo funcional con viabilidad técnica para despliegue controlado, sujeto a futuras validaciones con usuarios reales y actualización con nuevas fuentes de información.