Identificador interpretable de riesgo de abandono para anticipar el churn de los socios de un clúster de empresas mediante análisis exploratorio de datos y aprendizaje automático

Identificador interpretable de riesgo de abandono para anticipar el churn de los socios de un clúster de empresas mediante análisis exploratorio de datos y aprendizaje automático

Description

Los ecosistemas de innovación dependen de la permanencia de sus entidades miembro para sostener las relaciones, proyectos y oportunidades que generan. Sin embargo, a diferencia de sectores como las telecomunicaciones, la banca o los servicios por suscripción, los clústeres tecnológicos rara vez disponen de herramientas que permitan anticipar la desvinculación de sus socios. Este Trabajo Fin de Máster aborda este problema a través de un caso real, SECPHO, uno de los principales clústeres europeos de deep tech. El objetivo del trabajo fue diseñar y validar un identificador interpretable de riesgo de abandono capaz de señalar qué entidades presentan una mayor probabilidad de desvincularse y, al mismo tiempo, explicar las razones que justifican dicha alerta. Para ello se consolidaron ocho fuentes de información heterogéneas en una base analítica única compuesta por 310 entidades y 24 variables agrupadas en cinco dimensiones: perfil, engagement, valor recibido, capital relacional y comportamiento económico. Como aportación específica se diseñó un Índice de Valor Recibido (IVR) destinado a cuantificar el beneficio obtenido por cada socio dentro del ecosistema. El análisis exploratorio y los modelos de regresión logística y random forest se utilizaron como herramientas para identificar los factores asociados al abandono. La evidencia obtenida se transformó posteriormente en un scorecard interpretable y en un sistema visual de semáforo orientado a la toma de decisiones por parte del equipo gestor. Los resultados muestran que el sistema es capaz de discriminar niveles de riesgo de forma consistente. La validación temporal, realizada mediante un corte en diciembre de 2024 y observando las bajas ocurridas posteriormente, confirmó su capacidad de anticipación: las entidades clasificadas en riesgo abandonaron a una tasa 4,5 veces superior a las consideradas estables, detectándose el 81 % de las bajas posteriores. Más allá del artefacto desarrollado, el trabajo pone de manifiesto una lección metodológica relevante para la práctica profesional de la ciencia de datos: cuando se trabaja con información productiva real, el principal reto no suele ser el entrenamiento del modelo, sino la consolidación de fuentes heterogéneas, la depuración de los datos y la validación rigurosa de los resultados para evitar conclusiones engañosas derivadas de sesgos o fugas de información.

Publication Date

2026

City

Madrid

Keywords

Predicción de churn; Aprendizaje automático interpretable; Ecosistemas de innovación; Retención de socios; Sistema de alerta temprana; Ciencia de datos aplicada; SECPHO.

Identificador interpretable de riesgo de abandono para anticipar el churn de los socios de un clúster de empresas mediante análisis exploratorio de datos y aprendizaje automático

Share

COinS