Forecasting credit card attrition using machine learning models
Este trabajo tiene como objetivo el estudio, aplicación e implementación de modelos Machine Learning para identificar qué clientes desean cancelar alguna de sus tarjetas de crédito. La industria bancaria utiliza esta tecnología con el fin de obtener predicciones más fiables a la hora de identificar...
- Autores:
- Tipo de recurso:
- Article of investigation
- Fecha de publicación:
- 2020
- Institución:
- Universidad de Bogotá Jorge Tadeo Lozano
- Repositorio:
- Expeditio: repositorio UTadeo
- Idioma:
- eng
- OAI Identifier:
- oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/13883
- Acceso en línea:
- http://hdl.handle.net/20.500.12010/13883
http://expeditio.utadeo.edu.co
- Palabra clave:
- Aprendizaje Supervisado
Regresión Logística
Aprendizaje
Aprendizaje
Logística empresarial
Procesamiento de datos
Machine Learning
Attrition
- Rights
- License
- Abierto (Texto Completo)
| id |
UTADEO2_196a76d15f877b508b67c441355130dc |
|---|---|
| oai_identifier_str |
oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/13883 |
| network_acronym_str |
UTADEO2 |
| network_name_str |
Expeditio: repositorio UTadeo |
| repository_id_str |
|
| dc.title.spa.fl_str_mv |
Forecasting credit card attrition using machine learning models |
| title |
Forecasting credit card attrition using machine learning models |
| spellingShingle |
Forecasting credit card attrition using machine learning models Aprendizaje Supervisado Regresión Logística Aprendizaje Aprendizaje Logística empresarial Procesamiento de datos Machine Learning Attrition |
| title_short |
Forecasting credit card attrition using machine learning models |
| title_full |
Forecasting credit card attrition using machine learning models |
| title_fullStr |
Forecasting credit card attrition using machine learning models |
| title_full_unstemmed |
Forecasting credit card attrition using machine learning models |
| title_sort |
Forecasting credit card attrition using machine learning models |
| dc.contributor.advisor.none.fl_str_mv |
Galpin, I. |
| dc.subject.spa.fl_str_mv |
Aprendizaje Supervisado Regresión Logística Aprendizaje |
| topic |
Aprendizaje Supervisado Regresión Logística Aprendizaje Aprendizaje Logística empresarial Procesamiento de datos Machine Learning Attrition |
| dc.subject.lemb.spa.fl_str_mv |
Aprendizaje Logística empresarial Procesamiento de datos |
| dc.subject.keyword.spa.fl_str_mv |
Machine Learning Attrition |
| description |
Este trabajo tiene como objetivo el estudio, aplicación e implementación de modelos Machine Learning para identificar qué clientes desean cancelar alguna de sus tarjetas de crédito. La industria bancaria utiliza esta tecnología con el fin de obtener predicciones más fiables a la hora de identificar oportunidades de compra, inversión o fraude. Estos modelos se pueden adaptar de forma independiente, por medio del reconocimiento de patrones y algoritmos basados en cálculos matemáticos. Para desarrollar la investigación se implementaron y evaluaron cuatro modelos (LightGBM, XGBoost, Random Forest y Logistic Regression) con el fin de predecir a través de los datos del cliente y sus productos la posibilidad de que cancele sus tarjetas de crédito. Mediante una análisis de la curvas ROC usando las métricas AUC, se llegó a la conclusión que de los modelos seleccionados, el modelo elegido para realizar la predicción fue LightGBM, ya que fue el que tuvo mejor desempeño en los experimentos realizados. De igual forma, se encontró que la variable Score Acierta, una calificación del cliente proveída por la central de riesgos, es la que más discrimina en los modelos predicción. |
| publishDate |
2020 |
| dc.date.accessioned.none.fl_str_mv |
2020-09-28T14:18:57Z |
| dc.date.available.none.fl_str_mv |
2020-09-28T14:18:57Z |
| dc.date.created.none.fl_str_mv |
2020 |
| dc.type.local.spa.fl_str_mv |
Trabajo de grado de maestría |
| dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/masterThesis |
| dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| format |
http://purl.org/coar/resource_type/c_2df8fbb1 |
| dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/20.500.12010/13883 |
| dc.identifier.repourl.spa.fl_str_mv |
http://expeditio.utadeo.edu.co |
| url |
http://hdl.handle.net/20.500.12010/13883 http://expeditio.utadeo.edu.co |
| dc.language.iso.spa.fl_str_mv |
eng |
| language |
eng |
| dc.relation.references.spa.fl_str_mv |
Breiman, L.: Random forests. Machine learning 45(1), 5{32 (2001) Casta~no, H.F., Ram rez, F.O.P.: El modelo log stico: una herramienta estad stica para evaluar el riesgo de cr edito. Revista Ingenier as Universidad de Medell n 4(6), 55{75 (2005) Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y.: Xgboost: extreme gradient boosting. R package version 0.4-2 pp. 1{4 (2015) Chitra, K., Subashini, B.: Customer retention in banking sector using predictive data mining technique. In: ICIT 2011 The 5th International Conference on Information Technology (2011) Dfuf, I.A.: An alisis de Sensibilidad Mediante Random Forest. Ph.D. thesis, Universidad Polit ecnica de Madrid (2018) He, B., Shi, Y., Wan, Q., Zhao, X.: Prediction of customer attrition of commercial banks based on svm model. Procedia Computer Science 31, 423{430 (2014) Jes us, E.Z.J., Gerencia, C.: Aplicaci on de algoritmos random forest y xgboost en una base de solicitudes de tarjetas de cr edito application of random forest and xgboost algorithms based on a credit card applications database. IngenIer a InvestIgacI on y tecnolog a 21(3), 1{16 (2020) Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., Liu, T.Y.: Lightgbm: A highly e cient gradient boosting decision tree. In: Advances in neural information processing systems. pp. 3146{3154 (2017) Krishnan, S.: Weight of evidence and information value using python (2018), https://medium.com/@sundarstyles89/ weight-of-evidence-and-information-value-using-python-6f05072e83eb LaMorte, W.W.: Cox proportional hazards regression analysis (2016), https://sphweb.bumc.bu.edu/otlt/MPH-Modules/BS/BS704_Survival/BS704_ Survival6.html Manrai, L.A., Manrai, A.K.: A eld study of customers' switching behavior for bank services. Journal of retailing and consumer services 14(3), 208{215 (2007) Mittal, V., Kamakura, W.A.: Satisfaction, repurchase intent, and repurchase behavior: Investigating the moderating e ect of customer characteristics. Journal of marketing research 38(1), 131{142 (2001) Van den Poel, D., Lariviere, B.: Customer attrition analysis for nancial services using proportional hazard models. European journal of operational research 157(1), 196{217 (2004) Rez a c, M., Rez a c, F.: How to measure the quality of credit scoring models. Finance a uv er: Czech Journal of Economics and Finance 61(5), 486{507 (2011) Tang, L., Thomas, L., Fletcher, M., Pan, J., Marshall, A.: Assessing the impact of derived behavior information on customer attrition in the nancial service industry. European Journal of Operational Research 236(2), 624{633 (2014) Verbeke, W., Martens, D., Mues, C., Baesens, B.: Building comprehensible customer churn prediction models with advanced rule induction techniques. Expert systems with applications 38(3), 2354{2364 (2011) Wirth, R., Hipp, J.: Crisp-dm: Towards a standard process model for data mining. In: Proc. of the 4th international conference on the practical applications of knowledge discovery and data mining. pp. 29{39. Springer-Verlag London, UK (2000) Xie, Y., Li, X., Ngai, E., Ying, W.: Customer churn prediction using improved balanced random forests. Expert Systems with Applications 36(3), 5445{5449 (2009) Zhao, X., Shi, Y., Lee, J., Kim, H.K., Lee, H.: Customer churn prediction based on feature clustering and nonparallel support vector machine. International Journal of Information Technology & Decision Making 13(05), 1013{1027 (2014) |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.local.spa.fl_str_mv |
Abierto (Texto Completo) |
| rights_invalid_str_mv |
Abierto (Texto Completo) http://purl.org/coar/access_right/c_abf2 |
| dc.format.extent.spa.fl_str_mv |
15 páginas |
| dc.format.mimetype.spa.fl_str_mv |
application/pdf |
| dc.coverage.spatial.spa.fl_str_mv |
Colombia |
| dc.publisher.spa.fl_str_mv |
Universidad de Bogotá Jorge Tadeo Lozano |
| dc.publisher.program.spa.fl_str_mv |
Maestría en Ingeniería y Analítica de Datos |
| dc.source.spa.fl_str_mv |
instname:Universidad de Bogotá Jorge Tadeo Lozano reponame:Expeditio Repositorio Institucional UJTL |
| instname_str |
Universidad de Bogotá Jorge Tadeo Lozano |
| institution |
Universidad de Bogotá Jorge Tadeo Lozano |
| reponame_str |
Expeditio Repositorio Institucional UJTL |
| collection |
Expeditio Repositorio Institucional UJTL |
| bitstream.url.fl_str_mv |
https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/1/Trabajo%20de%20grado.pdf https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/2/license.txt https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/3/Licencia%20de%20autorizaci%c3%b3n.pdf https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/4/Trabajo%20de%20grado.pdf.jpg |
| bitstream.checksum.fl_str_mv |
e7da67894f4555e7ed0096eeeac8cff7 abceeb1c943c50d3343516f9dbfc110f 83638148fdee6ae74060c04f1422d812 16c6b0b95fa2b9d5f4b4625f443df8ae |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional - Universidad Jorge Tadeo Lozano |
| repository.mail.fl_str_mv |
expeditiorepositorio@utadeo.edu.co |
| _version_ |
1808495315962036224 |
| spelling |
Galpin, I.Rico Poveda, Carlos AlvaroMagíster en Ingeniería y Analítica de DatosColombia2020-09-28T14:18:57Z2020-09-28T14:18:57Z2020http://hdl.handle.net/20.500.12010/13883http://expeditio.utadeo.edu.coEste trabajo tiene como objetivo el estudio, aplicación e implementación de modelos Machine Learning para identificar qué clientes desean cancelar alguna de sus tarjetas de crédito. La industria bancaria utiliza esta tecnología con el fin de obtener predicciones más fiables a la hora de identificar oportunidades de compra, inversión o fraude. Estos modelos se pueden adaptar de forma independiente, por medio del reconocimiento de patrones y algoritmos basados en cálculos matemáticos. Para desarrollar la investigación se implementaron y evaluaron cuatro modelos (LightGBM, XGBoost, Random Forest y Logistic Regression) con el fin de predecir a través de los datos del cliente y sus productos la posibilidad de que cancele sus tarjetas de crédito. Mediante una análisis de la curvas ROC usando las métricas AUC, se llegó a la conclusión que de los modelos seleccionados, el modelo elegido para realizar la predicción fue LightGBM, ya que fue el que tuvo mejor desempeño en los experimentos realizados. De igual forma, se encontró que la variable Score Acierta, una calificación del cliente proveída por la central de riesgos, es la que más discrimina en los modelos predicción.The objective of this work is the implementation and evaluation of Machine Learning models to identify which customers want to cancel their credit cards. The banking industry uses this technology to obtain more reliable predictions when identifying opportunities for purchase, investment, or fraud. These models can be adapted independently, by recognizing patterns and algorithms based on mathematical calculations. Four models (LightGBM, XGBoost, Random Forest and Logistic Regression) were implemented and evaluated to predict, using data about customers and products held pertaining to a bank in Colombia, the likelihood of customers cancelling their credit cards. By analysing the ROC curves using the AUC metric, it is concluded that, of the selected models, the model chosen for deployment would be LightGBM, since it was the one that performed best in the experiments conducted. Furthermore, the ``Score Acierta'' variable, a customer rating provided by the Colombian credit rating agency, was found to be the most discriminating in prediction models.15 páginasapplication/pdfengUniversidad de Bogotá Jorge Tadeo LozanoMaestría en Ingeniería y Analítica de Datosinstname:Universidad de Bogotá Jorge Tadeo Lozanoreponame:Expeditio Repositorio Institucional UJTLAprendizaje SupervisadoRegresión LogísticaAprendizajeAprendizajeLogística empresarialProcesamiento de datosMachine LearningAttritionForecasting credit card attrition using machine learning modelsTrabajo de grado de maestríainfo:eu-repo/semantics/masterThesishttp://purl.org/coar/resource_type/c_2df8fbb1Abierto (Texto Completo)http://purl.org/coar/access_right/c_abf2Breiman, L.: Random forests. Machine learning 45(1), 5{32 (2001)Casta~no, H.F., Ram rez, F.O.P.: El modelo log stico: una herramienta estad stica para evaluar el riesgo de cr edito. Revista Ingenier as Universidad de Medell n 4(6), 55{75 (2005)Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y.: Xgboost: extreme gradient boosting. R package version 0.4-2 pp. 1{4 (2015)Chitra, K., Subashini, B.: Customer retention in banking sector using predictive data mining technique. In: ICIT 2011 The 5th International Conference on Information Technology (2011)Dfuf, I.A.: An alisis de Sensibilidad Mediante Random Forest. Ph.D. thesis, Universidad Polit ecnica de Madrid (2018)He, B., Shi, Y., Wan, Q., Zhao, X.: Prediction of customer attrition of commercial banks based on svm model. Procedia Computer Science 31, 423{430 (2014)Jes us, E.Z.J., Gerencia, C.: Aplicaci on de algoritmos random forest y xgboost en una base de solicitudes de tarjetas de cr edito application of random forest and xgboost algorithms based on a credit card applications database. IngenIer a InvestIgacI on y tecnolog a 21(3), 1{16 (2020)Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., Liu, T.Y.: Lightgbm: A highly e cient gradient boosting decision tree. In: Advances in neural information processing systems. pp. 3146{3154 (2017)Krishnan, S.: Weight of evidence and information value using python (2018), https://medium.com/@sundarstyles89/ weight-of-evidence-and-information-value-using-python-6f05072e83ebLaMorte, W.W.: Cox proportional hazards regression analysis (2016), https://sphweb.bumc.bu.edu/otlt/MPH-Modules/BS/BS704_Survival/BS704_ Survival6.htmlManrai, L.A., Manrai, A.K.: A eld study of customers' switching behavior for bank services. Journal of retailing and consumer services 14(3), 208{215 (2007)Mittal, V., Kamakura, W.A.: Satisfaction, repurchase intent, and repurchase behavior: Investigating the moderating e ect of customer characteristics. Journal of marketing research 38(1), 131{142 (2001)Van den Poel, D., Lariviere, B.: Customer attrition analysis for nancial services using proportional hazard models. European journal of operational research 157(1), 196{217 (2004)Rez a c, M., Rez a c, F.: How to measure the quality of credit scoring models. Finance a uv er: Czech Journal of Economics and Finance 61(5), 486{507 (2011)Tang, L., Thomas, L., Fletcher, M., Pan, J., Marshall, A.: Assessing the impact of derived behavior information on customer attrition in the nancial service industry. European Journal of Operational Research 236(2), 624{633 (2014)Verbeke, W., Martens, D., Mues, C., Baesens, B.: Building comprehensible customer churn prediction models with advanced rule induction techniques. Expert systems with applications 38(3), 2354{2364 (2011)Wirth, R., Hipp, J.: Crisp-dm: Towards a standard process model for data mining. In: Proc. of the 4th international conference on the practical applications of knowledge discovery and data mining. pp. 29{39. Springer-Verlag London, UK (2000)Xie, Y., Li, X., Ngai, E., Ying, W.: Customer churn prediction using improved balanced random forests. Expert Systems with Applications 36(3), 5445{5449 (2009)Zhao, X., Shi, Y., Lee, J., Kim, H.K., Lee, H.: Customer churn prediction based on feature clustering and nonparallel support vector machine. International Journal of Information Technology & Decision Making 13(05), 1013{1027 (2014)ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfTrabajo de gradoapplication/pdf1436574https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/1/Trabajo%20de%20grado.pdfe7da67894f4555e7ed0096eeeac8cff7MD51open accessLICENSElicense.txtlicense.txttext/plain; charset=utf-82938https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/2/license.txtabceeb1c943c50d3343516f9dbfc110fMD52open accessLicencia de autorización.pdfLicencia de autorización.pdfLicencia de autorizaciónapplication/pdf503177https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/3/Licencia%20de%20autorizaci%c3%b3n.pdf83638148fdee6ae74060c04f1422d812MD53open accessTHUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgIM Thumbnailimage/jpeg8457https://expeditiorepositorio.utadeo.edu.co/bitstream/20.500.12010/13883/4/Trabajo%20de%20grado.pdf.jpg16c6b0b95fa2b9d5f4b4625f443df8aeMD54open access20.500.12010/13883oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/138832024-03-14 09:59:14.358open accessRepositorio Institucional - Universidad Jorge Tadeo Lozanoexpeditiorepositorio@utadeo.edu.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 |