{"id":1735,"date":"2026-03-17T15:28:23","date_gmt":"2026-03-17T20:28:23","guid":{"rendered":"https:\/\/strata-analytics.us\/?post_type=customer-story&p=1735"},"modified":"2026-04-29T16:27:15","modified_gmt":"2026-04-29T21:27:15","slug":"how-strata-analytics-is-helping-cw-communications-reduce-customer-churn-with-scalable-mlops-solution-leveraging-aws-services","status":"publish","type":"customer-story","link":"https:\/\/strata-analytics.us\/es\/customer-story\/how-strata-analytics-is-helping-cw-communications-reduce-customer-churn-with-scalable-mlops-solution-leveraging-aws-services\/","title":{"rendered":"C\u00f3mo Strata Analytics ayuda a C&W Communications a reducir la p\u00e9rdida de clientes con una soluci\u00f3n MLOps escalable que aprovecha los servicios de AWS."},"content":{"rendered":"

Trabajamos con herramientas de Strata y AWS para la retenci\u00f3n de clientes y la estandarizaci\u00f3n de procesos de aprendizaje autom\u00e1tico.<\/h3>\n\n\n\n

C&W Communications es un proveedor l\u00edder de servicios de telecomunicaciones y entretenimiento en el Caribe y Latinoam\u00e9rica. Al igual que muchos proveedores de servicios, uno de sus principales desaf\u00edos es la retenci\u00f3n de clientes. Se enfrentaban a problemas de abandono de clientes y necesitaban desarrollar una soluci\u00f3n de aprendizaje autom\u00e1tico personalizada para predecir y prevenir el abandono involuntario. Tambi\u00e9n buscaban estandarizar su ciclo de vida de desarrollo de ML y automatizar sus procesos de ciencia de datos. Strata se asoci\u00f3 con el cliente para construir una plataforma MLOps escalable utilizando servicios de AWS, lo que result\u00f3 en un aumento de 10% en las campa\u00f1as de retenci\u00f3n y cobranza, una reducci\u00f3n de 90% en las tareas y errores operativos, y 70% menos esfuerzo para futuras versiones. La soluci\u00f3n permiti\u00f3 al equipo de an\u00e1lisis del cliente centrarse en el desarrollo y las mejoras del rendimiento, al tiempo que redujo el tiempo de implementaci\u00f3n en 95%.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

Los desaf\u00edos comunes requieren soluciones innovadoras.<\/h3>\n\n\n\n

C&W Communications se enfrent\u00f3 a un serio desaf\u00edo empresarial al observar un aumento repentino en el n\u00famero de suscriptores que abandonaban involuntariamente sus servicios. Este problema pod\u00eda abordarse mediante t\u00e9cnicas de aprendizaje autom\u00e1tico (ML). La empresa necesitaba predecir la probabilidad diaria de baja para poder dise\u00f1ar campa\u00f1as de cobro espec\u00edficas y tomar medidas r\u00e1pidas para prevenirla. De esta forma, buscaban no solo reducir el n\u00famero de suscriptores que se daban de baja, sino tambi\u00e9n minimizar la deuda pendiente.<\/p>\n\n\n\n

De igual modo, se enfrentaron a desaf\u00edos comunes al implementar modelos de aprendizaje autom\u00e1tico en producci\u00f3n. Estos incluyen dificultades con la monitorizaci\u00f3n, la necesidad de intervenciones manuales y problemas de escalabilidad. Al igual que otras organizaciones, m\u00e1s de la mitad de sus proyectos de aprendizaje autom\u00e1tico no pudieron implementarse con \u00e9xito en producci\u00f3n debido a flujos de trabajo inconsistentes y laboriosos. Las mejoras de los modelos a menudo se realizaban manualmente en respuesta a la disminuci\u00f3n del rendimiento, y la escalabilidad en el proceso de desarrollo era limitada. Adem\u00e1s, el \u00e9xito de estos proyectos depend\u00eda en gran medida del personal clave, lo que convert\u00eda la rotaci\u00f3n de personal en una preocupaci\u00f3n importante.<\/p>\n\n\n\n

Los principales obst\u00e1culos a los que se enfrent\u00f3 C&W Communications fueron dos. El primero fue predecir la probabilidad diaria de baja involuntaria de cada cliente para optimizar las campa\u00f1as de retenci\u00f3n y cobro. El segundo desaf\u00edo consisti\u00f3 en gestionar el ciclo de vida completo de la soluci\u00f3n de aprendizaje autom\u00e1tico (ML), incluyendo la estandarizaci\u00f3n de los procedimientos operativos para reducir la dependencia del personal y garantizar la escalabilidad. Adem\u00e1s, era necesario habilitar o deshabilitar funciones de forma remota sin implementar c\u00f3digo, desarrollar un proceso de reentrenamiento autom\u00e1tico para corregir la desviaci\u00f3n del modelo de ML y evitar el uso ineficiente de recursos, ya que los empleados dedicaban mucho tiempo a tareas manuales en lugar de a tareas de negocio de gran impacto.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

AWS \u2013 Socio confiable<\/h3>\n\n\n\n

C&W Communications ha estado utilizando diversos servicios de AWS para sus necesidades comerciales, incluyendo el despliegue de sus lagos de datos. Esta experiencia previa con AWS ha permitido una integraci\u00f3n perfecta del servicio de modelos con la plataforma de gesti\u00f3n de campa\u00f1as, aprovechando los lagos de datos existentes. Esta integraci\u00f3n ha facilitado significativamente la recopilaci\u00f3n de puntuaciones de propensi\u00f3n a la p\u00e9rdida de clientes para las campa\u00f1as de retenci\u00f3n y cobro, agilizando el proceso y aumentando la eficiencia. Adem\u00e1s, la reputaci\u00f3n de AWS en cuanto a fiabilidad, escalabilidad y mejora continua ha reforzado la confianza de C&W en sus servicios y su dependencia de ellos para sus operaciones comerciales.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

Trabajo conjunto de Strata y C&W Communications<\/h3>\n\n\n\n

Strata ha colaborado con C&W Communications durante muchos a\u00f1os, proporcionando soluciones de an\u00e1lisis avanzado y ciencia de datos, automatizaci\u00f3n de marketing para sus principales campa\u00f1as y consultor\u00eda empresarial basada en datos. Strata cuenta con una amplia experiencia en t\u00e9cnicas de modelado descriptivo y predictivo, ofreciendo informaci\u00f3n m\u00e1s profunda mediante el uso de m\u00faltiples algoritmos de vanguardia y el desarrollo \u00e1gil de modelos. Identifican relaciones clave entre los datos y descubren nuevos patrones utilizando t\u00e9cnicas estad\u00edsticas para el modelado y las pruebas. Adem\u00e1s, proporcionan paneles de visualizaci\u00f3n de datos para ayudar a las empresas a comprender su situaci\u00f3n actual o los resultados de sus modelos, empleando el marco MLOps como pr\u00e1ctica recomendada.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

Un enfoque MLOps para una mayor escalabilidad<\/h3>\n\n\n\n

Strata colabor\u00f3 estrechamente con C&W para desarrollar una soluci\u00f3n integral que abordara sus desaf\u00edos tanto en la predicci\u00f3n de abandono de clientes como en la gesti\u00f3n del aprendizaje autom\u00e1tico (ML). La soluci\u00f3n MLOps desarrollada por Strata automatiza procesos comunes de ciencia de datos, incluyendo la preparaci\u00f3n de datos, el entrenamiento de modelos y las pruebas. La soluci\u00f3n de Strata utiliza algoritmos de ML de alto rendimiento para el procesamiento de datos, la predicci\u00f3n, el monitoreo y el reentrenamiento autom\u00e1tico, y se implementa en la cuenta en la nube del cliente. El sistema es sin servidor y orientado a eventos, desarrollado bajo metodolog\u00edas \u00e1giles para permitir lanzamientos granulares a producci\u00f3n. A lo largo del proyecto, Strata colabor\u00f3 con varios departamentos de C&W, incluyendo negocios, finanzas, an\u00e1lisis y ML, para garantizar que la soluci\u00f3n cumpliera con las necesidades y requisitos espec\u00edficos de la organizaci\u00f3n.<\/p>\n\n\n\n

La soluci\u00f3n incorpora un modelo de aprendizaje autom\u00e1tico que predice la deserci\u00f3n involuntaria mediante un algoritmo avanzado basado en \u00e1rboles, seleccionado tras exhaustivas pruebas y experimentaci\u00f3n. La arquitectura est\u00e1 totalmente integrada con AWS Step Functions, utilizando AWS Glue para la canalizaci\u00f3n de datos y Data Lake de CWC como fuente de datos. Amazon SageMaker Job gestiona las canalizaciones del modelo, mientras que Amazon CloudWatch administra el registro y Amazon DynamoDB almacena los metadatos del modelo y el seguimiento de procesos. En resumen, el marco MLOps ofrece alta escalabilidad y disponibilidad, reduce el tiempo de comercializaci\u00f3n y facilita la gesti\u00f3n, operaci\u00f3n y mantenimiento estandarizados y sencillos de la soluci\u00f3n de aprendizaje autom\u00e1tico.<\/p>\n\n\n\n

El objetivo del sistema es realizar inferencias, monitorizaci\u00f3n y m\u00e9tricas diarias, as\u00ed como un reentrenamiento semanal, tal como se ilustra en el diagrama de arquitectura a continuaci\u00f3n. El proceso diario comienza cuando se dispone de nuevos datos para el d\u00eda asignado. Cada canalizaci\u00f3n est\u00e1 dise\u00f1ada para ser at\u00f3mica, lo que significa que las canalizaciones incompletas o defectuosas no producir\u00e1n datos corruptos. En su lugar, solo generar\u00e1n metadatos para su an\u00e1lisis. Esta configuraci\u00f3n permite que cada canalizaci\u00f3n se active de nuevo y reescriba su salida, creando nuevos metadatos.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

Arquitectura de alto nivel<\/h3>\n\n\n\n
\"\"<\/figure>\n\n\n\n

<\/p>\n\n\n\n

Debido al gran volumen de datos a procesar, se requer\u00eda una soluci\u00f3n de computaci\u00f3n de datos distribuida. Tras una evaluaci\u00f3n exhaustiva, se seleccion\u00f3 Glue Spark como la opci\u00f3n m\u00e1s adecuada para el cliente. Las canalizaciones de datos se ejecutan en trabajos de Spark Glue, que est\u00e1n vinculados al cat\u00e1logo de datos de AWS Glue, y los datos procesados se almacenan y particionan en el bucket de datos del proyecto.<\/p>\n\n\n\n

Una vez completadas las canalizaciones de datos, el flujo de trabajo del modelo de aprendizaje autom\u00e1tico se traslada a varios contenedores de trabajos de procesamiento de SageMaker que realizan diversas tareas, como el c\u00e1lculo de m\u00e9tricas del modelo, la generaci\u00f3n de datos de preprocesamiento, la obtenci\u00f3n de puntuaciones de inferencia, el reentrenamiento del modelo y la selecci\u00f3n semanal del mejor modelo. Los trabajos de procesamiento se ejecutan sin servidor, aprovechando la escalabilidad y flexibilidad de AWS SageMaker. Esto permite al equipo gestionar f\u00e1cilmente las etapas de inferencia y monitorizaci\u00f3n del ciclo de vida del modelo de aprendizaje autom\u00e1tico de forma optimizada y automatizada.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

Mejora del rendimiento del modelo y de la campa\u00f1a de retenci\u00f3n: reducci\u00f3n de tareas manuales.<\/h3>\n\n\n\n

La soluci\u00f3n implementada gener\u00f3 un impacto positivo significativo, incluyendo un aumento de 10% en las campa\u00f1as de retenci\u00f3n y cobranza, una reducci\u00f3n de 90% en las tareas operativas manuales y los errores gracias a la automatizaci\u00f3n del flujo de trabajo y las operaciones estandarizadas, y una reducci\u00f3n de 70% en el esfuerzo necesario para el lanzamiento en nuevos mercados debido a la arquitectura replicable y escalable. Tras desarrollar con \u00e9xito el modelo de abandono para el primer mercado (Jamaica), Strata fue invitada a crear modelos adicionales para otros dos mercados (Bahamas y Trinidad y Tobago). Adem\u00e1s, el marco de aprendizaje autom\u00e1tico permite al equipo anal\u00edtico centrarse por completo en el desarrollo y la mejora del rendimiento del modelo, aprovechando mejor su talento y reduciendo el tiempo de implementaci\u00f3n en 95%. <\/p>\n\n\n\n

La soluci\u00f3n garantiza la coherencia mediante sus propios contenedores desarrollados, ofrece flexibilidad y reproducibilidad para el desarrollo de nuevos mercados, promueve la reutilizaci\u00f3n de componentes en diferentes proyectos y admite la escalabilidad a trav\u00e9s del marco MLOps, la monitorizaci\u00f3n y la explicabilidad mediante el seguimiento de metadatos.<\/p>\n\n\n\n

<\/p>\n\n\n\n

<\/p>\n\n\n\n

El trabajo colaborativo contin\u00faa.<\/h3>\n\n\n\n

Existe un contrato vigente entre C&W Communications y Strata para la entrega de soluciones de aprendizaje autom\u00e1tico y campa\u00f1as de marketing, incluyendo lanzamientos diarios de campa\u00f1as de retenci\u00f3n, estimulaci\u00f3n y cobro dirigidas a diferentes audiencias y objetivos. Se proporcionan diversas soluciones de modelos para distintos problemas y mercados (predicci\u00f3n de abandono, predicci\u00f3n de no recarga, segmentaci\u00f3n de recargas y segmentaci\u00f3n conductual), las cuales se ejecutan diariamente, semanalmente o mensualmente como insumos para las campa\u00f1as mencionadas. Este servicio tambi\u00e9n incluye el apoyo al cliente en el an\u00e1lisis y monitoreo de los KPI clave, ayudando a identificar posibles problemas o a obtener informaci\u00f3n valiosa a partir de los datos. Strata pertenece al nivel avanzado de AWS y ha validado su ruta de servicios.<\/p>\n\n\n\n

<\/p>","protected":false},"excerpt":{"rendered":"

As part of the Liberty Latin America group of companies, C&W Communications is one of the leading telecommunications and entertainment providers in the Caribbean and Latin America. Always at the forefront of innovating infrastructure and services, from historic telegraph poles and cables to modern superfast broadband, mobile, landline, and video services. Their commitment is to invest and innovate so they can empower their customers and stakeholders to succeed in this connected world. By connecting communities to their network, products, and services, they are transforming lives using technology to provide the building blocks for connection and growth in local economies.<\/p>","protected":false},"featured_media":3819,"parent":0,"template":"","meta":{"_acf_changed":false,"inline_featured_image":false,"advanced_seo_description":"","jetpack_seo_html_title":"","jetpack_seo_noindex":false,"footnotes":""},"categories":[1372],"class_list":["post-1735","customer-story","type-customer-story","status-publish","has-post-thumbnail","hentry","category-telco"],"acf":[],"jetpack_sharing_enabled":true,"_links":{"self":[{"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/customer-story\/1735","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/customer-story"}],"about":[{"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/types\/customer-story"}],"version-history":[{"count":5,"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/customer-story\/1735\/revisions"}],"predecessor-version":[{"id":4390,"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/customer-story\/1735\/revisions\/4390"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/media\/3819"}],"wp:attachment":[{"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/media?parent=1735"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/strata-analytics.us\/es\/wp-json\/wp\/v2\/categories?post=1735"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}