Predicción de retiro de clientes bancarios
RESUMEN : En el mundo empresarial moderno, la fidelización y retención de clientes se han convertido en elementos esenciales y críticos a la hora de definir estrategias y políticas que reduzcan la deserción de clientes hacia otros mercados y/o productos. Perder clientes es más costoso que atraer nue...
- Autores:
-
Alcocer Cáceres, Jose Luis
Chaverra Bedoya, Juan Carlos
- Tipo de recurso:
- Tesis
- Fecha de publicación:
- 2023
- Institución:
- Universidad de Antioquia
- Repositorio:
- Repositorio UdeA
- Idioma:
- spa
- OAI Identifier:
- oai:bibliotecadigital.udea.edu.co:10495/35744
- Acceso en línea:
- https://hdl.handle.net/10495/35744
- Palabra clave:
- Análisis de datos
Data analysis
Aprendizaje automático (inteligencia artificial)
Machine learning
Bancos
Banks and banking
Comportamiento del consumidor
Perfilación del del consumidor
http://vocabularies.unesco.org/thesaurus/concept2214
- Rights
- openAccess
- License
- https://creativecommons.org/licenses/by-nc-sa/4.0/
| Summary: | RESUMEN : En el mundo empresarial moderno, la fidelización y retención de clientes se han convertido en elementos esenciales y críticos a la hora de definir estrategias y políticas que reduzcan la deserción de clientes hacia otros mercados y/o productos. Perder clientes es más costoso que atraer nuevos. El estudio del comportamiento de los clientes, en particular de su deserción, se ha convertido en una necesidad urgente dentro del ámbito empresarial. En las empresas financieras, especialmente en los bancos, es un factor crítico entender las deserciones y poder predecir dicho comportamiento. El objetivo principal de este trabajo es encontrar patrones en los datos que permitan identificar y comprender las deserciones, mediante la realización de diferentes iteraciones sobre los datos y utilizando las diferentes técnicas que se abordan en la especialidad de Analítica y Data Science de la Universidad de Antioquia. El proceso comienza con una primera iteración evaluando los datos a través de un modelo de regresión logística. A partir de ahí, iteraciones posteriores permiten evaluar modelos de aprendizaje automático en busca del modelo óptimo y mejores resultados |
|---|
