PREDICCIÓN DEL ABANDONO DE CLIENTES EN EMPRESAS DE GRAN CONSUMO

En este proyecto se describe el desarrollo de un modelo predictivo basado en técnicas de aprendizaje automático y fundamentalmente, en modelos de Redes Neuronales Artificiales para la predicción del abandono de clientes en empresas de gran consumo.
El objetivo de este proyecto es el desarrollo de un sistema de predicción basado en técnicas de aprendizaje automático para poder anticiparse al comportamiento de los clientes de empresas de gran consumo; poder predecir un futuro abandono de un cliente para intentar evitarlo y frenar la pérdida que conlleva. Esta predicción deberá́ realizarse con un mes de antelación para que la empresa tenga el suficiente tiempo de reacción.
Se probarán diferentes algoritmos, ajustando los parámetros de los mismos, para hallar un modelo con la mayor sensibilidad y eficacia posible. Los modelos serán evaluados con diferentes conjuntos de datos para comprobar la robustez de los mismos.
Es importante encontrar el equilibro entre la sensibilidad y la eficacia en los resultados del modelo. Dependiendo del sector del mercado en el que estemos trabajando, una tasa de aciertos lo más cercana a la perfección, a cambio de una menor sensibilidad puede provocar mayor beneficio que una alta sensibilidad.
El proyecto se ha llevado a cabo con datos de una empresa real de nivel nacional. Esta empresa cuenta con gran experiencia en el sector del consumo y es fabricante y distribuidor. Cuenta con aproximadamente 3.600 productos en venta y el proyecto se va a realizar con datos de más de 108.000 clientes. Con esto se quiere destacar que el proyecto se está realizando tiene una aplicación real sobre el mercado y podría tener un importante impacto.

This project describes the development of a predictive model based on machine learning techniques and specially in Artificial Neural Networks.
The goal of this project is the development of prediction model based on machine learning techniques, to try to predict the behavior of consumer-sector companies clients. Being able to predict when a client is going to stop buying gives us time to try to change his mind.
The project will analyze different algorithms changing their parameters to find the model with the highest sensitivity and effectiveness. Models will be tested with different data samples to test their sturdiness.
It is important to find balance between sensitivity and effectiveness in the model. Depending on the market sector we are working at, a close-to-perfect effectiveness rate in exchange for a lower sensitivity, might have higher profit than a higher sensitivity.
The project has been done with data from a first-level national company. This company has great experience in the consumer sector as manufacturer and distributor of their products. It sells more than 3.600 products and the data for the project has more than 108.000 clients. This information is to highlight the fact that the project has been made with real data form a real company and could have a big impact on the sector.
This company sells products to hotels, restaurants, bars, small and big supermarkets.