Modelo de abandono de clientes en una empresa de créditos en línea

Zinobe es una empresa especializada en desarrollar y optimizar productos crediticios para segmentos desatendidos de la población, con un enfoque basado en data. Para ello, utilizan modelos de Machine Learning para la toma de decisiones. El centro de control de servicio al cliente quiere anticiparse...

Full description

Autores:: Fajardo Cruz, David Fernando
Motta Hurtado, Andrés Camilo

Tipo de recurso:

Fecha de publicación:: 2019

Institución:: Universidad de los Andes

Repositorio:: Séneca: repositorio Uniandes

Idioma:: spa

Description
Summary:	Zinobe es una empresa especializada en desarrollar y optimizar productos crediticios para segmentos desatendidos de la población, con un enfoque basado en data. Para ello, utilizan modelos de Machine Learning para la toma de decisiones. El centro de control de servicio al cliente quiere anticiparse a la potencial pérdida del cliente a lo largo de su ciclo de vida (Lifetime) y la consecuente pérdida de ingresos potenciales. Por tanto, es crítico identificar a los clientes en potencial de pérdida al momento de ser contactados por los canales de comunicación. Se desea tener un modelo de churn a corto plazo que pueda hacer uso en tiempo real de los datos de los diferentes canales de Customer Service y permita identificar a los clientes en alto riesgo de Churn. La metodología propuesta permitió utilizar la información proveniente de los canales de servicio al cliente, en particular de los asuntos de los correos, para desarrollar un perfil sentimental (o categorización) de las interacciones del cliente. Para ello se extrajo y clasificó los textos en seis tópicos haciendo uso del algoritmo LDA. Luego, se incluyó esta categorización como una variable de entrada en los modelos de churn clásicos, junto al perfil demográfico y crediticio de los clientes, para estimar la probabilidad de que un cliente en particular abandone (churn). Una vez puesto en producción e integrado a los sistemas de Zinobe, dicho modelo podrá estimar en tiempo real la probabilidad de churn en corto, medio y largo plazo, de manera que ayude a los agentes de servicio al cliente a tomar mejores decisiones en pro de maximizar la tasa de retención y NPS. Con esto se espera lograr aumentar los ingresos de la compañía, reducir los costos asociados a la pérdida de clientes y aumentar los índices de satisfacción de sus clientes.

Modelo de abandono de clientes en una empresa de créditos en línea

Publicaciones similares