repetido consultar Identificación de la propensión a la adquisición de un subproducto de una tarjeta de crédito en una entidad bancaria

Abstract

El caso aplicativo se desarrolló en el área de Inteligencia Comercial de una entidad financiera, que tiene como principal objetivo ayudar a la entidad en el crecimiento del número de colocaciones y captaciones de los productos activos y pasivos respectivamente, elevando así el número de ventas y desembolsos en los distintos productos ofrecidos. Las funciones realizadas fueron: el desarrollo e implementación de modelos predictivos, las propuestas de estrategias comerciales y el seguimiento de los modelos. Se utilizó la metodología CRISP-DM (Cross Industry Standard Process for Data Mining), que incluye estándares de mejores prácticas en el desarrollo de proyectos de Data Mining; mediante la cual se desarrollan modelos analíticos para las distintas fases del ciclo de vida del cliente y para cada producto de la entidad, modelos como: adquisición de tarjeta de crédito, desembolso de préstamos personales, propensión a la apertura de una cuenta de ahorros, propensión a la adquisición de una Extra Línea, etc., con el fin de identificar y priorizar a los clientes más propensos a la toma de productos y encontrar los principales drivers que influyan en la toma del producto, de manera que permita a la entidad realizar estrategias diferenciadas de acuerdo a la propensión del cliente a la toma de un producto en específico. Todo los modelos desarrollados se implementaron en el negocio enfocados en estrategias comerciales, permitiendo incrementar los principales indicadores de las campañas en la entidad financiera (efectividad de ventas y montos de desembolso). También se trabajó con el equipo de Analytics Internacional de la entidad financiera en el codesarrollo del modelo de Customer Lifetime Value (CLV) para los clientes Retail de la entidad con el fin de calcular el CLV a nivel cliente, como el valor actual neto de los ingresos obtenidos del cliente para los próximos 12 meses, permitiendo este modelo aplicar estrategias de retención, fidelización y priorización de acuerdo al valor del cliente. Actualmente, se desarrollan modelos de pricing analytics para los distintos sub productos de préstamos personales de la entidad, con el fin de asignar las tasas óptimas a nivel cliente, de modo que se maximice el beneficio obtenido por la entidad y la satisfacción del cliente se mantenga, ya que se le asignará una tasa de acuerdo a su sensibilidad de precio respecto al producto.