{"id":{"repo_id":"utdt","oai_identifier":"oai:repositorio.utdt.edu:20.500.13098/14439"},"canonical_url":"https://search.dev.ndltd.org/etd/utdt/oai:repositorio.utdt.edu:20.500.13098/14439","repository":{"repo_id":"utdt","name":"Universidad Torcuato di Tella","base_url":"https://repositorio.utdt.edu/oai/request"},"display":{"title":"Modelado predictivo de Churn: Un enfoque analítico para la Retención de Clientes en Procter & Gamble","abstract":"El churn, o abandono de clientes, representa un desafío significativo para las empresas en la era digital. A medida que las opciones de consumo se diversifican, mantener la lealtad del cliente se ha convertido en una prioridad estratégica. Comprender y predecir el churn es crucial para desarrollar estrategias efectivas de retención que aseguren el crecimiento sostenible y el éxito de las empresas. La presente tesis aborda el desafío crítico de la retención de usuarios en la aplicación \"La Cuponera\" de Procter & Gamble, una herramienta de cashback diseñada para fomentar el consumo, penetración y recopilar valiosos datos de clientes. A pesar de tener volúmenes altísimos de adquisición a costos marginalmente bajos, la aplicación enfrenta un índice muy bajo de retención, lo que afecta negativamente su programa de lealtad. Esto representa un costo de oportunidad para maximizar el valor de los clientes ya adquiridos, optimizando aún más los costos. El objetivo de esta tesis es desarrollar un modelo predictivo de churn utilizando herramientas avanzadas de aprendizaje automático. La hipótesis central es que los modelos de aprendizaje automático supervisado, entrenados sobre datos comportamentales y transaccionales del usuario, permiten predecir con precisión suficiente la probabilidad individual de churn como para habilitar intervenciones de retención diferenciadas y proactivas. Aprovechando los datos internos de Procter & Gamble sobre el uso de \"La Cuponera\", el modelo busca identificar de manera precisa cuándo un usuario está en riesgo de abandonar el programa. Al anticipar el churn, se podrán implementar estrategias proactivas para mejorar la retención y maximizar el valor de los clientes.","abstract_html":"El churn, o abandono de clientes, representa un desafío significativo para las empresas en la era digital. A medida que las opciones de consumo se diversifican, mantener la lealtad del cliente se ha convertido en una prioridad estratégica. Comprender y predecir el churn es crucial para desarrollar estrategias efectivas de retención que aseguren el crecimiento sostenible y el éxito de las empresas. La presente tesis aborda el desafío crítico de la retención de usuarios en la aplicación "La Cuponera" de Procter & Gamble, una herramienta de cashback diseñada para fomentar el consumo, penetración y recopilar valiosos datos de clientes. A pesar de tener volúmenes altísimos de adquisición a costos marginalmente bajos, la aplicación enfrenta un índice muy bajo de retención, lo que afecta negativamente su programa de lealtad. Esto representa un costo de oportunidad para maximizar el valor de los clientes ya adquiridos, optimizando aún más los costos. El objetivo de esta tesis es desarrollar un modelo predictivo de churn utilizando herramientas avanzadas de aprendizaje automático. La hipótesis central es que los modelos de aprendizaje automático supervisado, entrenados sobre datos comportamentales y transaccionales del usuario, permiten predecir con precisión suficiente la probabilidad individual de churn como para habilitar intervenciones de retención diferenciadas y proactivas. Aprovechando los datos internos de Procter & Gamble sobre el uso de "La Cuponera", el modelo busca identificar de manera precisa cuándo un usuario está en riesgo de abandonar el programa. Al anticipar el churn, se podrán implementar estrategias proactivas para mejorar la retención y maximizar el valor de los clientes.","abstract_has_math":false,"creators":["Hernández Otaño, Felipe"],"institution":"Universidad Torcuato Di Tella","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":["Musolino, Silvio"],"committee_chairs":[],"committee_members":[],"year":2026,"date_issued":"2026","date_published":"2026","updated_at":"2026-07-27T21:55:50Z","subjects":["Análisis de datos","Predicción tecnológica","Comportamiento del consumidor","Sistemas Expertos","Marketing","Data analysis","Technology prediction","Consumer behavior","Expert systems"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://repositorio.utdt.edu/handle/20.500.13098/14439","outbound_label":"Repository record","outbound_source":"dc:identifier.uri"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor.advisor","label":"Advisor","values":["Musolino, Silvio"]},{"key":"dc:creator","label":"Author","values":["Hernández Otaño, Felipe"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date.accessioned","label":"Dc Date Accessioned","values":["2026-07-22T18:58:05Z"]},{"key":"dc:date.issued","label":"Date","values":["2026"]},{"key":"dc:publisher","label":"Institution","values":["Universidad Torcuato Di Tella"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Análisis de datos","Predicción tecnológica","Comportamiento del consumidor","Sistemas Expertos","Marketing","Data analysis","Technology prediction","Consumer behavior","Expert systems"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier.uri","label":"Identifier URI","values":["https://repositorio.utdt.edu/handle/20.500.13098/14439"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description.abstract","label":"Abstract","values":["El churn, o abandono de clientes, representa un desafío significativo para las empresas en la era digital. A medida que las opciones de consumo se diversifican, mantener la lealtad del cliente se ha convertido en una prioridad estratégica. Comprender y predecir el churn es crucial para desarrollar estrategias efectivas de retención que aseguren el crecimiento sostenible y el éxito de las empresas. La presente tesis aborda el desafío crítico de la retención de usuarios en la aplicación \"La Cuponera\" de Procter & Gamble, una herramienta de cashback diseñada para fomentar el consumo, penetración y recopilar valiosos datos de clientes. A pesar de tener volúmenes altísimos de adquisición a costos marginalmente bajos, la aplicación enfrenta un índice muy bajo de retención, lo que afecta negativamente su programa de lealtad. Esto representa un costo de oportunidad para maximizar el valor de los clientes ya adquiridos, optimizando aún más los costos. El objetivo de esta tesis es desarrollar un modelo predictivo de churn utilizando herramientas avanzadas de aprendizaje automático. La hipótesis central es que los modelos de aprendizaje automático supervisado, entrenados sobre datos comportamentales y transaccionales del usuario, permiten predecir con precisión suficiente la probabilidad individual de churn como para habilitar intervenciones de retención diferenciadas y proactivas. Aprovechando los datos internos de Procter & Gamble sobre el uso de \"La Cuponera\", el modelo busca identificar de manera precisa cuándo un usuario está en riesgo de abandonar el programa. Al anticipar el churn, se podrán implementar estrategias proactivas para mejorar la retención y maximizar el valor de los clientes."]},{"key":"dc:format.medium","label":"Dc Format Medium","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Modelado predictivo de Churn: Un enfoque analítico para la Retención de Clientes en Procter & Gamble"]}]}],"canonical_facts":{"dc:contributor.advisor":["Musolino, Silvio"],"dc:creator":["Hernández Otaño, Felipe"],"dc:date.accessioned":["2026-07-22T18:58:05Z"],"dc:date.issued":["2026"],"dc:description.abstract":["El churn, o abandono de clientes, representa un desafío significativo para las empresas en la era digital. A medida que las opciones de consumo se diversifican, mantener la lealtad del cliente se ha convertido en una prioridad estratégica. Comprender y predecir el churn es crucial para desarrollar estrategias efectivas de retención que aseguren el crecimiento sostenible y el éxito de las empresas. La presente tesis aborda el desafío crítico de la retención de usuarios en la aplicación \"La Cuponera\" de Procter & Gamble, una herramienta de cashback diseñada para fomentar el consumo, penetración y recopilar valiosos datos de clientes. A pesar de tener volúmenes altísimos de adquisición a costos marginalmente bajos, la aplicación enfrenta un índice muy bajo de retención, lo que afecta negativamente su programa de lealtad. Esto representa un costo de oportunidad para maximizar el valor de los clientes ya adquiridos, optimizando aún más los costos. El objetivo de esta tesis es desarrollar un modelo predictivo de churn utilizando herramientas avanzadas de aprendizaje automático. La hipótesis central es que los modelos de aprendizaje automático supervisado, entrenados sobre datos comportamentales y transaccionales del usuario, permiten predecir con precisión suficiente la probabilidad individual de churn como para habilitar intervenciones de retención diferenciadas y proactivas. Aprovechando los datos internos de Procter & Gamble sobre el uso de \"La Cuponera\", el modelo busca identificar de manera precisa cuándo un usuario está en riesgo de abandonar el programa. Al anticipar el churn, se podrán implementar estrategias proactivas para mejorar la retención y maximizar el valor de los clientes."],"dc:format.medium":["application/pdf"],"dc:identifier.uri":["https://repositorio.utdt.edu/handle/20.500.13098/14439"],"dc:language":["spa"],"dc:publisher":["Universidad Torcuato Di Tella"],"dc:rights":["info:eu-repo/semantics/openAccess"],"dc:subject":["Análisis de datos","Predicción tecnológica","Comportamiento del consumidor","Sistemas Expertos","Marketing","Data analysis","Technology prediction","Consumer behavior","Expert systems"],"dc:title":["Modelado predictivo de Churn: Un enfoque analítico para la Retención de Clientes en Procter & Gamble"],"dc:type":["info:eu-repo/semantics/masterThesis"]},"updated_at":"2026-07-27T21:55:50Z"}