Modelos predictivos de satisfacción en los programas de tratamiento de adicciones

Abstract

Este Trabajo de Fin de Grado tiene como objetivo desarrollar modelos predictivos capaces de clasificar el nivel de satisfacción de los usuarios de los Centros de Atención a las Drogodependencias (CAD) e identificar los factores que más influyen en dicha satisfacción.

Para ello, se ha utilizado un conjunto de datos procedente de las encuestas de satisfacción realizadas durante los años 2022, 2023 y 2024. Tras un proceso de preparación, limpieza y transformación, se han desarrollado distintos modelos supervisados de Machine Learning, incluyendo entre ellos, regresión logística, árboles de decisión, Random Forest, XGBoost y redes neuronales artificiales.

Los resultados obtenidos muestran que los modelos basados en ensamblados de árboles presentan el mejor rendimiento predictivo. En concreto, el modelo Random Forest optimizado fue seleccionado como mejor modelo final al obtener el mejor equilibrio entre capacidad predictiva, estabilidad e interpretabilidad.

Asimismo, los análisis de interpretabilidad han permitido identificar diversos factores clave asociados con la satisfacción de los usuarios, como el trato recibido por parte del personal, la coordinación entre profesionales, la rapidez de respuesta ante situaciones urgentes, la disponibilidad de opciones terapéuticas y la ausencia de experiencias de discriminación. Estos factores han destacado de forma consistente en los distintos modelos predictivos y técnicas aplicadas, lo que sugiere que constituyen elementos muy relevantes en la percepción global de la calidad del servicio por parte de los usuarios.

Los resultados evidencian el potencial que poseen las técnicas de Business Analytics y de Machine Learning para apoyar la toma de decisiones y contribuir a la mejora de la calidad de los servicios ofrecidos por los Centros de Atención a las Drogodependencias (CAD).

This Bachelor's Degree Final Project aims to develop predictive models capable of classifying the level of satisfaction of users of the Drug Addiction Care Centres (CAD) and identifying the factors that most influence this satisfaction.

To this end, a dataset obtained from satisfaction surveys conducted during the years 2022, 2023, and 2024 was used. After a process of preparation, cleaning, and transformation, different supervised Machine Learning models were developed, including logistic regression, decision trees, Random Forest, XGBoost, and artificial neural networks.

The results obtained show that tree-based ensemble models deliver the best predictive performance. Specifically, the optimised Random Forest model was selected as the best final model, as it achieved the best balance between predictive capacity, stability and interpretability.

Furthermore, the interpretability analyses made it possible to identify several key factors associated with user satisfaction, such as the treatment received from staff, coordination among professionals, response speed in urgent situations, the availability of therapeutic options and the absence of experiences of discrimination. These factors have consistently stood out across the different predictive models and techniques applied, suggesting that they constitute highly relevant elements in users’ overall perception of service quality.

The results demonstrate the potential of Business Analytics and Machine Learning techniques to support decision-making and contribute to improving the quality of the services offered by Drug Addiction Care Centres (CAD).