Modelo para la predicción de cancelación de tarjetas de crédito y retención de clientes de alto valor
El presente proyecto, realizado en el marco de trabajo del programa de la Maestría en analítica para la inteligencia de negocios, propone una base analítica para el diseño de la estrategia del Grupo Davivienda para aumentar la retención de clientes que consumen el producto tarjetas de crédito, enfoc...
- Autores:
- Tipo de recurso:
- masterThesis
- Fecha de publicación:
- 2022
- Institución:
- Pontificia Universidad Javeriana
- Repositorio:
- Repositorio Universidad Javeriana
- Idioma:
- spa
- OAI Identifier:
- oai:repository.javeriana.edu.co:10554/58393
- Palabra clave:
- Clasificación
Bosque aleatorio
Churn
Tarjetas de crédito
Segmentación
Classification
Random forest
Cancellation
Credit card
Segmentation
Maestría en analítica para la inteligencia de negocios - Tesis y disertaciones académicas
Predicciones tecnológicas
Tarjetas de crédito
Mejoramiento de procesos
Modelos logísticos
- Rights
- openAccess
- License
- Atribución-NoComercial-SinDerivadas 4.0 Internacional
| Summary: | El presente proyecto, realizado en el marco de trabajo del programa de la Maestría en analítica para la inteligencia de negocios, propone una base analítica para el diseño de la estrategia del Grupo Davivienda para aumentar la retención de clientes que consumen el producto tarjetas de crédito, enfocada a aquellos clientes considerados de alto valor, garantizando la asignación adecuada de recursos del banco.Este proyecto contempla la segmentación y perfilamiento de de clientes del banco, haciendo uso de k-means clustering y rfm segmentation. De igual forma incluye el uso de un modelo de predicción de cancelación de tarjetas de crédito basado en random Forest classification, entrenado sobre una base de datos proporcionada por el banco compuesta por datos demográficos, financieros y de consumo de clientes entre noviembre 2018 y diciembre 2020.La evaluación del modelo desarrollado identifica cinco perfiles de clientes, y propone un modelo de predicción de cancelaciones con AUC en validación de 0,75. Adicionalmente se identifican las variables mas relevantes, se sugieren los posibles motivos de cancelación y la estrategia de retención con mayor posibilidad de éxito. |
|---|