González Gómez, Daniel EnriqueCortés Cataño, Carlos FelipeMora Cañas, Carlos Luis2025-04-022025-04-022024http://hdl.handle.net/11522/4687El presente proyecto evaluó varias técnicas de clasificación para identificar los clientes propensos a presentar deserción en contratos de previsión exequial en una compañía funeraria para después de comparar varias técnicas, seleccionar la técnica de aprendizaje automático “XGBoost”. La retención de clientes es esencial para la competitividad, cobertura y rentabilidad de esta empresa, y mediante la aplicación de este modelo, se logra un “recall” equivalente al 89%, permitiendo la identificación de 578 contratos propensos a desertar. Esto proporciona a la funeraria una buena alternativa para implementar estrategias más precisas y dirigidas a retener sus clientes, contribuyendo así a sus objetivos de crecimiento y éxito a largo plazo.55 p.application/pdfspaDeserción de clientesEstrategias de retenciónPlanes de previsión exequialAprendizaje automáticoModelado predictivoCustomer churnRetention strategiesFuneral pre-need plansMachine learningPredictive modelingmaster thesishttps://creativecommons.org/licenses/by-nc-nd/4.0/http://purl.org/coar/access_right/c_abf2