Recomendación de Plan Óptimo, Megaline
Megaline quería migrar a sus clientes de planes heredados hacia uno de sus dos planes vigentes (Smart o Ultra), pero necesitaba un criterio automático para recomendar el plan correcto a cada cliente según su comportamiento de uso (llamadas, mensajes, datos). Se entrenó un modelo de clasificación binaria sobre el comportamiento histórico de clientes que ya habían migrado, comparando varios algoritmos y ajustando hiperparámetros hasta superar el umbral de exactitud exigido (0.75) en el set de prueba.
El problema
Clasificar clientes de Megaline en el plan óptimo (Smart o Ultra) a partir de su comportamiento de uso, con una exactitud mínima exigida de 0.75.
La solución
Partición estratificada 60/20/20, con un DummyClassifier como baseline (accuracy 0.694, reflejando el desbalance real de 69% Smart / 31% Ultra). Entrenamiento y ajuste de hiperparámetros de 3 modelos (Árbol de Decisión, Random Forest, Regresión Logística), comparación en validación, selección del mejor modelo y evaluación final en el set de prueba con matriz de confusión y classification_report.
Preparación y limpieza de datos de comportamiento de uso (llamadas, mensajes, datos) de clientes ya migrados a Smart o Ultra.
Entrenamiento y comparación de modelos de clasificación (árboles de decisión, bosques aleatorios, regresión logística) con ajuste de hiperparámetros.
Selección del modelo con mejor exactitud sobre el set de prueba, superando el umbral exigido de 0.75.