Modelos de clasificación basados en Machine Learning para la predicción de abandono de clientes en telecomunicaciones
DOI:
https://doi.org/10.37711/repiama.2025.2.2.4Palabras clave:
Predicción de abandono de clientes, Retención de clientes, Modelos de clasificaciónResumen
La pérdida de clientes es el desafío clave en la industria de las telecomunicaciones, un sector conocido por su intensa competencia y una dinámica de usuario cambiante. Los modelos de aprendizaje automático se han utilizado con éxito para predecir la deserción y mejorar los enfoques de retención. Este trabajo presenta una revisión bibliométrica y un análisis cienciométrico de estudios publicados durante 2020 y 2025 que implementan modelos de clasifcación para predecir la deserción en campañas de retención de centros de llamadas. Se aplicó la metodología PRISMA, y la búsqueda literaria abarcó las bases de datos Scopus, IEEE Xplore, arXiv y ScienceDirect. Los contenidos de los datos fueron procesados utilizando Google Colab y Python para descubrir tendencias, autores involucrados en el análisis y algoritmos influyentes. Los resultados indicaron que Random Forest, XGBoost y Redes Neuronales fueron los enfoques más utilizados, con desempeños superiores al 90 %, y la inteligencia artifcial explicable se utilizó cada vez más para mejorar la transparencia del modelo. En resumen, los enfoques de aprendizaje automático funcionan mejor que los
métodos tradicionales, pero aún quedan algunos desafíos para la estandarización de métricas y aplicaciones realistas.
Descargas
Referencias
Aria, M., & Cuccurullo, C. (2016). bibliometrix: Comprehensive Science Mapping Analysis (versión 5.1.1) [Software].
https://CRAN.R-project.org/package=bibliometrix
Bradshaw, A., Bishop, D., & Woodhead, Z. (2017). Systematic Review Protocol. https://osf.io/hyvc4
Chocobar Reyes, E. J., y Barreda Medina, R. F. (2025). Estructuras metodológicas PICO y PRISMA 2020 en la elaboración de artículos de revisión sistemática: Lo que todo investigador debe conocer y dominar. Ciencia Latina Revista Científca Multidisciplinar, 9(1), 8525-8543. https://doi.org/10.37811/cl_rcm.v9i1.16491
Donthu, N., Kumar, S., Mukherjee, D., Pandey, N., & Lim, W. M. (2021). How to conduct a bibliometric analysis: An overview
and guidelines. Journal of Business Research, 133, 285-296. https://doi.org/10.1016/j.jbusres.2021.04.070
Freire, D., Santos Mauricio Sanchez, D., Castillo Sequera, J. L., & Fiallo Moncayo, D. (2024). Factors, Predictability, and Explainability of Mobile Telephony Customer Departure in Telecommunications Companies: A Systematic Review of the Literature. IEEE Access, 12, 118968-118980. https://doi.org/10.1109/ACCESS.2024.3443318
Gusenbauer, M., & Haddaway, N. R. (2020). Which academic search systems are suitable for systematic reviews or metaanalyses? Evaluating retrieval qualities of Google Scholar, PubMed, and 26 other resources. Research Synthesis Methods, 11(2), 181-217. https://doi.org/10.1002/jrsm.1378
Haddadi, S. J., Farshidvard, A., Silva, F. D. S., dos Reis, J. C., & da Silva Reis, M. (2024). Customer churn prediction in imbalanced datasets with resampling methods: A comparative study. Expert Systems with Applications, 246, 123086. https://doi.org/10.1016/j.eswa.2023.123086
Kolaski, K., Logan, L. R., & Ioannidis, J. P. A. (2023). Guidance to best tools and practices for systematic reviews. Acta Anaesthesiologica Scandinavica, 67(9), 1148-1177. https://doi.org/10.1111/aas.14295
Liu, X., Xia, G., Zhang, X., Ma, W., & Yu, C. (2024). Customer churn prediction model based on hybrid neural networks. Scientifc Reports, 14, 30707. https://doi.org/10.1038/s41598-024-79603-9
Moradi, B., Khalaj, M., Herat, A. T., Darigh, A., & Yamcholo, A. T. (2024). A swarm intelligence-based ensemble learning model for optimizing customer churn prediction in the telecommunications sector. AIMS Mathematics, 9(2), 2781-2807. https://doi.org/10.3934/math.2024138
Ouf, S., Mahmoud, K. T., & Abdel-Fattah, M. A. (2024). A proposed hybrid framework to improve the accuracy of customer churn prediction in telecom industry. Journal of Big Data, 11, 70. https://doi.org/10.1186/s40537-024-00922-9
Ouzzani, M., Hammady, H., Fedorowicz, Z., & Elmagarmid, A. (2016). Rayyan—a web and mobile app for systematic reviews. Systematic Reviews, 5, 210. https://doi.org/10.1186/s13643-016-0384-4
Page, M. J., McKenzie, J. E., Bossuyt, P. M., Boutron, I., Hoffmann, T. C., Mulrow, C. D., Shamseer, L., Tetzlaff, J. M., Akl, E. A., Brennan, S. E., Chou, R., Glanville, J., Grimshaw, J. M., Hróbjartsson, A., Lalu, M. M., Li, T., Loder, E. W., Mayo-Wilson, E., McDonald, S., … Moher, D. (2021).
Declaración PRISMA 2020: una guía actualizada para la publicación de revisiones sistemáticas. Revista Española
de Cardiología, 74(9), 790-799. https://doi.org/10.1016/j.recesp.2021.06.016
Reddy, S. A., Gowtham, M., Tripathy, K. P., & Srinivas, M. (2025). Enhanced Telecom Customer Churn Prediction Using Machine Learning and Deep Learning Models [conferencia]. 2025 International Conference on Artifcial Intelligence and Data Engineering (AIDE), Nitte, India. https://ieeexplore.ieee.org/document/10987431
Ribeiro, H., Barbosa, B., Moreira, A. C., & Rodrigues, R. G. (2024). Determinants of churn in telecommunication services: a systematic literature review. Management Review Quarterly, 74, 1327-1364. https://doi.org/10.1007/s11301-023-00335-7
Salgado-García, J. A., Terán-Bustamante, A., & VelázquezSalazar, M. (2025). Thematic mapping of artifcial intelligence in management: A bibliometric approach using co-word analysis (2015–2024). Iberoamerican Journal of Science Measurement and Communication, 5(3), 1-11. https://doi.org/10.47909/ijsmc.205
Sana, J. K., Rahman, M. S., & Rahman, M. S. (2024). PrivacyPreserving Customer Churn Prediction Model in the Context of Telecommunication Industry. arXiv:2411.01447v1 [cs. LG]. https://doi.org/10.48550/arXiv.2411.01447
Snyder, H. (2019). Literature review as a research methodology: An overview and guidelines. Journal of Business Research, 104, 333-339. https://doi.org/10.1016/j.jbusres.2019.07.039
Subramanian, D., Ajitha, A., & Maidin, S. S. (2025). Unveiling Hybrid Model with Naive Bayes, Deep Learning, Logistic Regression for Predicting Customer Churn and Boost Retention. Journal of Applied Data Sciences, 6(2), 1379-1391. https://doi.org/10.47738/jads.v6i2.675
Zdanavičiūtė, M., Juozaitienė, R., & Krilavičius, T. (2022). Telecommunication customer churn prediction using machine learning methods [conferencia]. IVUS 2022: 27th International Conference on Information Technology, Kaunas, Lituania. https://ceur-ws.org/Vol-3611/paper15.pdf
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2025 Merjory Grisell Candela Sevilla (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
