Explicaciones lingüísticas difusas enriquecidas para churn y segmentación
Autores: Eduardo Espinoza, Elvis Ramirez, Lesli Diaz, Rodeney Llantoy y Sayumi Canchari
Extensión de SHAP-Rule que traduce atribuciones numéricas en reglas lingüísticas enriquecidas para explicar la fuga y segmentación de clientes.
Trabajo académico · Maestría en Inteligencia Artificial
Leer paperResumen analítico
Explicabilidad del modelo
Indicador principal
0.97
Consistencia en segmentación
Clientes
7,043
Cobertura
0.90–0.98
Reglas
3.1–3.6
El desafío
Problema y datos
Las explicaciones numéricas basadas en valores de Shapley son precisas, pero pueden resultar difíciles de interpretar para usuarios no especializados. El trabajo propone una capa adicional con contexto estadístico e importancia local.
Sobre el dataset
Telecom Customer Churn de Maven Analytics: 7,043 clientes de una compañía ficticia de telecomunicaciones, con 38 atributos demográficos, de servicios, facturación y estado del cliente.
Proceso analítico
Metodología
Preparación del dataset con partición estratificada 80/20
Predicción de churn con Random Forest y LightGBM
Segmentación mediante PCA y K-Means
Explicaciones con SHAP-Rule Enhanced y evaluación de fidelidad, cobertura, complejidad y consistencia
Resultados
Resultados e interpretación
- Las reglas redujeron diez condiciones a un promedio de 3.1–3.6.
- La consistencia textual aumentó de 0.60 a 0.81, con coberturas entre 0.90 y 0.98.
- En segmentación, las explicaciones alcanzaron una consistencia de 0.97.
- Se identificó una limitación de SHAP-Rule ante variables con alta concentración de valores idénticos.
Tecnologías