Modelo de predicción de abandono de clientes en un marketplace mediante técnicas de machine learning

Abstract

En el contexto competitivo de los marketplaces, la retención de clientes se ha convertido en un factor estratégico clave. Este trabajo presenta el desarrollo de un modelo predictivo de abandono de clientes (churn) aplicando técnicas de aprendizaje automático (machine learning), con el objetivo de identificar proactivamente a aquellos usuarios con mayor probabilidad de abandonar la plataforma. El estudio se estructura bajo la metodología CRISP-DM, abordando desde la selección y análisis de una base de datos —“theLook eCommerce”— hasta la preparación de características y la comparación de múltiples algoritmos. Se evaluaron diferentes configuraciones temporales para representar el con texto del cliente, y se identificaron las más efectivas en términos de desempeño predictivo. El modelo desarrollado, basado en Random Forest, alcanzó métricas superiores al 82 % en Accuracy y 78 % en F1-score, demostrando su utilidad para apoyar estrategias de retención en entornos reales. Este trabajo reafirma la necesidad de enfoques personalizados en la predicción del churn y sienta las bases para su implementación práctica. (Texto tomado de la fuente).

In the competitive landscape of marketplaces, customer retention has become a key strategic factor. This work presents the development of a predictive model for customer churn using machine learning techniques, aimed at proactively identifying users with a high probability of leaving the plat form. The study follows the CRISP-DM methodology, covering from the selection and analysis of a dataset—”theLook eCommerce”—to feature engineering and comparison of various algorithms. Different temporal configurations were evaluated to represent customer behavior, and the most effective setups in terms of predictive performance were identified. The final model, based on Random Forest techniques, achieved Accuracy and F1-scores above 82 % and 78 % respectively, demonstrating its po tential to support real-world customer retention strategies. This research highlights the importance of tailored approaches in churn prediction and lays the groundwork for practical implementation.