En el sector automotriz, la rentabilidad se desplaza de la venta del auto (front-end) hacia el servicio técnico (back-end). Este proyecto utiliza Machine Learning para identificar qué clientes tienen mayor probabilidad de no regresar al taller una vez finalizado su periodo de garantía.
El análisis se basa en datos históricos de servicios que incluyen:
- Kilometraje promedio anual.
- Frecuencia de visitas al taller.
- Gasto promedio en refacciones y mano de obra.
- Tipo de cliente (Flotilla vs. Particular).
- Antigüedad del vehículo.
- Python 3.9+
- Pandas & NumPy (Procesamiento de datos)
- Scikit-Learn & XGBoost (Modelado predictivo)
- Matplotlib & Seaborn (Visualización)
- Los clientes que recorren más de 20,000 km al año tienen un 30% más de probabilidad de abandonar el taller oficial por costos de mantenimiento.
- La falta de una tercera visita preventiva es el "punto de quiebre" para la lealtad del cliente.
Se implementó un modelo de Random Forest Classifier logrando:
- Accuracy: 87%
- Recall: 0.82 (Crucial para no perder clientes en riesgo).
- Clona el repositorio.
- Instala dependencias:
pip install -r requirements.txt. - Ejecuta el notebook en
notebooks/02_Modelado.ipynb.