Predicción de churn en restaurantes para aplicaciones de delivery

Para las aplicaciones de delivery de comida online es importante contar con una base de comercios activos en la aplicación que puedan brindar sus servicios a través de ella. Para poder garantizar una oferta variada y sana, relevante para los consumidores, es fundamental velar por la cantidad y la...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autor principal: Ihde, Nicolás
Otros Autores: Gálvez, Ramiro H.
Formato: Tesis de maestría acceptedVersion
Lenguaje:Español
Publicado: 2023
Materias:
Alimentos preparados
Predicción tecnológica
Análisis de datos
Delivery de alimentos
Machine Learning
Aprendizaje automático
Acceso en línea:https://repositorio.utdt.edu/handle/20.500.13098/11576
Aporte de:
Repositorio Digital Universidad Torcuato Di Tella de Universidad Torcuato Di Tella
id I57-R163-20.500.13098-11576
record_format dspace
institution Universidad Torcuato Di Tella
institution_str I-57
repository_str R-163
collection Repositorio Digital Universidad Torcuato Di Tella
language Español
orig_language_str_mv spa
topic Alimentos preparados
Predicción tecnológica
Análisis de datos
Delivery de alimentos
Machine Learning
Aprendizaje automático
spellingShingle Alimentos preparados
Predicción tecnológica
Análisis de datos
Delivery de alimentos
Machine Learning
Aprendizaje automático
Ihde, Nicolás
Predicción de churn en restaurantes para aplicaciones de delivery
topic_facet Alimentos preparados
Predicción tecnológica
Análisis de datos
Delivery de alimentos
Machine Learning
Aprendizaje automático
description Para las aplicaciones de delivery de comida online es importante contar con una base de comercios activos en la aplicación que puedan brindar sus servicios a través de ella. Para poder garantizar una oferta variada y sana, relevante para los consumidores, es fundamental velar por la cantidad y la calidad de los comercios asociados. En una industria de márgenes bajos, las comisiones y condiciones comerciales de las Apps ejercen mucha presión en los restaurantes. Estos en muchos casos finalmente deciden dejar de operar en la aplicación por problemas operativos y económicos. La manera de medir esta problemática para las apps es a través de la tasa de puntos de venta que se dan de baja de la plataforma por mes (churn). Es importante poder predecir el churn de restaurantes a futuro y las causas que lo generan, de esta manera se podrán tomar medidas a tiempo para evitar que los restaurantes salgan de la aplicación. El propósito de este trabajo es desarrollar un modelo de predicción que pueda anticipar cuando un restaurante va a cerrar su perfil en la aplicación, usando datos tanto de restaurantes como de clientes para poder detectar tendencias y así poder predecir la atrición. Para poder abordar el problema se utiliza una técnica de aprendizaje automático supervisado llamado Light GBM, desarrollado por Microsoft, para hacer las predicciones. La herramienta logra predecir cuales son los restaurantes que van a dejar de operar en la plataforma con un área bajo la curva ROC del 0.92, lo que indica que tiene buen poder de predicción. Finalmente, se discute la aplicación del modelo en la industria, y cómo puede ayudar a atacar el problema de manera proactiva para disminuir la cantidad de restaurantes que salen, y eficientizar la inversión en fidelización.
author2 Gálvez, Ramiro H.
author_facet Gálvez, Ramiro H.
Ihde, Nicolás
format Tesis de maestría
acceptedVersion
author Ihde, Nicolás
author_sort Ihde, Nicolás
title Predicción de churn en restaurantes para aplicaciones de delivery
title_short Predicción de churn en restaurantes para aplicaciones de delivery
title_full Predicción de churn en restaurantes para aplicaciones de delivery
title_fullStr Predicción de churn en restaurantes para aplicaciones de delivery
title_full_unstemmed Predicción de churn en restaurantes para aplicaciones de delivery
title_sort predicción de churn en restaurantes para aplicaciones de delivery
publishDate 2023
url https://repositorio.utdt.edu/handle/20.500.13098/11576
work_keys_str_mv AT ihdenicolas predicciondechurnenrestaurantesparaaplicacionesdedelivery
bdutipo_str Repositorios
_version_ 1764820542570889217

Ejemplares similares