Análisis y desarrollo de un modelo de simulación para evaluar estrategias de marketing de fidelización, enfocado en estrategias de segmentación y posicionamiento en una Institución de Educación Superior del Ecuador

Abstract

El objetivo del proyecto es desarrollar un modelo predictivo para identificar posibles estudiantes interesados en ingresar a una institución de educación superior a partir de campañas de marketing realizadas previamente. Para garantizar la privacidad de los datos, se trabajó con datos sintéticos generados a partir de patrones históricos reales y la anonimización de datos personales, lo que permitió simular escenarios sin comprometer la confidencialidad de la información. El enfoque metodológico se basó en recopilar diversas fuentes de datos, incluyendo interacciones en redes sociales, datos demográficos, visitas, y llamadas telefónicas, que se encontraban en un CRM. A partir de estos datos, se construyó un modelo de predicción que permite segmentar y clasificar a los posibles estudiantes según su probabilidad de inscripción. La implementación del modelo se realizó utilizando herramientas de machine learning que permitieron evaluar diferentes algoritmos para encontrar el más adecuado en términos de precisión y rendimiento. Entre las técnicas evaluadas se incluyeron KNN, árboles de decisión y redes neuronales, siendo Random Forest el modelo seleccionado por su robustez y facilidad de interpretación en este contexto. The objective of the project is to develop a predictive model to identify possible students interestedin entering a higher education institution based on previously carried out marketing campaigns. To guarantee data privacy, we worked with synthetic data generated from real historical patterns and the anonymization of personal data, which allowed scenarios to be simulated without compromising the confidentiality of the information. The methodological approach was based on collecting various data sources, including social media interactions, demographic data, visits, and phone calls, which were in a CRM. From these data, a prediction model was built that allows potential students to be segmented and classified according to their probability of enrollment. The implementation of the model was carried out using machine learning tools that allowed different algorithms to be evaluated to find the most suitable one in terms of precision and performance. The techniques evaluated included KNN, decision trees and neural networks, with Random Forest being the model selected for its robustness and ease of interpretation in this context.