Análisis de retención de clientes en instituciones bancarias basada en datos de tarjetas de crédito para predecir la lealtad del cliente

RESUMEN : La precisa clasificación de clientes a partir del análisis de movimientos en tarjetas de crédito reviste vital importancia en el panorama financiero actual. La creciente dependencia de las transacciones con tarjetas de crédito desafía a los bancos a identificar clientes de manera efectiva, considerando su capacidad económica, hábitos de gastos y perfiles de riesgo. Así, resulta crucial desarrollar técnicas avanzadas para esta clasificación, permitiendo a los bancos tomar decisiones informadas, gestionar riesgos y mejorar la experiencia del cliente. En este contexto, se implementaron diversas técnicas de ML utilizando un conjunto de datos de Kaggle, con el objetivo de discriminar el estado de deserción y fidelidad del cliente con las entidades bancarias según el historial reportado en las tarjetas de crédito. La metodología empleada abordó la limpieza y tratamiento de datos, el análisis y la extracción de características, así como el modelado con diversos algoritmos de aprendizaje automático, seguido del ajuste de hiperparámetros específicos para cada modelo. La evaluación del rendimiento se llevó a cabo mediante diversas métricas, que incluyeron accuracy, precisión, recall, F1 score y el área bajo la curva ROC (AUC ROC). A pesar de los desafíos computacionales asociados con la optimización de hiperparámetros, se logró un rendimiento del 96% con el modelo Random Forest mediante la técnica de validación cruzada K-Fold. Este resultado se atribuye posiblemente a la capacidad del modelo para capturar relaciones no lineales, gestionar grandes volúmenes de datos y aplicar técnicas avanzadas de regularización y optimización. Por lo tanto, destaca su habilidad para distinguir entre clientes propensos a abandonar el banco y aquellos propensos a permanecer, proporcionando así una perspectiva sólida sobre la problemática basada en los datos.

• Autores: Agudelo, Hadys Osbaldo
• Tipo de recurso: Tesis
• Fecha de publicación: 2023
• Institución: Universidad de Antioquia
• Repositorio: Repositorio UdeA
• Idioma: spa
• OAI Identifier: oai:bibliotecadigital.udea.edu.co:10495/37837
• Acceso en línea: https://hdl.handle.net/10495/37837; https://github.com/osvalcode/Seminario
• Palabra clave: Aprendizaje automático (inteligencia artificial); Machine learning; Comportamiento del consumidor; Consumer behavior; Tarjetas de crédito; Credit cards; Análisis financiero; Financial analysis; Técnicas de predicción; Forecasting techniques; Modelado predictivo; Clasificación de clientes; Análisis de datos financieros
• Rights: openAccess
• License: https://creativecommons.org/licenses/by-nc-sa/4.0/