Modelo predictivo para la priorización de no clientes en call center de una empresa de telecomunicaciones en Perú

Abstract

El presente trabajo desarrolla un modelo predictivo de contactabilidad para prospectos no clientes en campañas de televentas salientes (outbound) del call center de una empresa del sector telecomunicaciones en el Perú. Ante la baja eficiencia operativa que caracteriza este tipo de campañas, se plantea la aplicación de técnicas de machine learning que permitan identificar a los prospectos más propensos a responder llamadas telefónicas, optimizando así el uso de recursos humanos y tecnológicos en la operación comercial. Para el desarrollo del modelo se utilizó el algoritmo LightGBM, con validación cruzada estratificada (5-fold) y optimización de hiperparámetros mediante Optuna. El conjunto de datos incluyó variables de tráfico de voz, historial de interacción, banderas comerciales y atributos de interés previo (consultas de portabilidad, campañas winback, entre otros). Se abordó el desbalance de clases utilizando la función interna is_unbalance=True. La evaluación del modelo mostró un desempeño sólido, con un AUC promedio de 0.83, PR-AUC de 0.05 y Brier Score de 0.0042, reflejando buena capacidad discriminativa y excelente calibración probabilística. La interpretación del modelo mediante SHAP permitió identificar variables predictoras clave como CAM_WB (camada de clientes winback), CAM_PCO (camadas de clientes que hicieron una preevaluación) y LLAMADAS_ANT_1 (Cantidad de Llamadas efectuadas el mes anterior). Además, se propuso un sistema de priorización basado en deciles de score predictivo, donde el primer decil alcanzó un lift de 5.39, lo que implica una efectividad más de cinco veces superior respecto a una estrategia sin ordenamiento. Este hallazgo respalda la viabilidad operativa del modelo y su impacto potencial en la mejora de la tasa de conversión del canal telefónico. Se concluye que la implementación de esta solución permitiría reducir costos operativos, incrementar la tasa de contacto efectivo y aumentar las conversiones, posicionando al modelo como una herramienta estratégica para campañas comerciales de captación.

This study develops a predictive contactability model for non-customer prospects in outbound telemarketing campaigns carried out by the call center of a telecommunications company in Peru. Due to the low operational efficiency that characterizes these campaigns, the project applies machine learning techniques to identify prospects with a higher likelihood of answering phone calls, thereby optimizing the allocation of human and technological resources in commercial operations. The model was built using the LightGBM algorithm with 5-fold stratified cross-validation and hyperparameter tuning via Optuna. The dataset included voice traffic variables, interaction history, commercial flags, and prior-interest indicators such as portability inquiries and win- back campaign records. Class imbalance was handled using the internal parameter is_unbalance=True. Model evaluation showed strong performance, achieving an average AUC of 0.83, a PR-AUC of 0.05, and a Brier Score of 0.0042, indicating solid discriminative capacity and excellent probability calibration. Model interpretability through SHAP values highlighted key predictive variables such as CAM_WB (win-back customers), CAM_PCO (pre-evaluated customers), and LLAMADAS_ANT_1 (number of calls made in the previous month). Additionally, a prioritization system based on predictive score deciles was proposed. The top decile achieved a lift of 5.39, meaning it was more than five times more effective compared to a non-ordered calling strategy. This result supports the operational feasibility of the model and its potential impact on improving call center conversion rates. Overall, the implementation of this solution would reduce operational costs, increase effective contact rates, and improve conversions, positioning the model as a strategic tool for commercial acquisition campaigns.