Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios

Tomando como base que las campañas de marketing directo actuales que realizan las entidades financieras del sector bancario para la captación de futuros clientes son una situación de orden no controlado que se presenta en la gran mayoría de las empresas y que conlleva una defectuosa gestión de los r...

Descripción completa

Detalles Bibliográficos
Autor: Rodriguez Ardila, Jonatan Andrey
Tipo de recurso: tesis de maestría
Estado:Versión aceptada para publicación
Fecha de publicación:2022
País:Colombia
Institución:Universidad de Bogotá Jorge Tadeo Lozano
Repositorio:Expeditio: repositorio UTadeo
Idioma:español
OAI Identifier:oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/32222
Acceso en línea:http://hdl.handle.net/20.500.12010/32222
http://expeditio.utadeo.edu.co
Access Level:acceso abierto
Palabra clave:Clientes
Machine learning
Marketing
Entidades financieras
Atención al cliente
Herramientas tecnológicas
id CO_628b01398a900f71712e2d656d7916eb
oai_identifier_str oai:expeditiorepositorio.utadeo.edu.co:20.500.12010/32222
network_acronym_str CO
network_name_str Colombia
repository_id_str
dc.title.none.fl_str_mv Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
title Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
spellingShingle Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
Rodriguez Ardila, Jonatan Andrey
Clientes
Machine learning
Marketing
Entidades financieras
Atención al cliente
Herramientas tecnológicas
title_short Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
title_full Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
title_fullStr Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
title_full_unstemmed Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
title_sort Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancarios
dc.creator.none.fl_str_mv Rodriguez Ardila, Jonatan Andrey
author Rodriguez Ardila, Jonatan Andrey
author_facet Rodriguez Ardila, Jonatan Andrey
author_role author
dc.contributor.none.fl_str_mv Herrera, Jorge
dc.subject.none.fl_str_mv Clientes
Machine learning
Marketing
Entidades financieras
Atención al cliente
Herramientas tecnológicas
topic Clientes
Machine learning
Marketing
Entidades financieras
Atención al cliente
Herramientas tecnológicas
description Tomando como base que las campañas de marketing directo actuales que realizan las entidades financieras del sector bancario para la captación de futuros clientes son una situación de orden no controlado que se presenta en la gran mayoría de las empresas y que conlleva una defectuosa gestión de los recursos disponibles en el área (ya sea esfuerzo humano, llamadas telefónicas, tiempo, dinero, etc.), este proyecto propuso una solución desde el punto de vista tecnológico, de cómo podía una entidad financiera tener una mayor efectividad para futuras campañas de marketing directo. Con el estudio de este proyecto lo que se buscó, fue poder construir un modelo predictivo de aprendizaje supervisado que permitiera clasificar cuáles serían los posibles clientes que probablemente pudieran adquirir los productos financieros bancarios a largo plazo. Teniendo en cuenta que el objetivo del modelado era predecir los posibles clientes que deseaban adquirir el instrumento financiero ofrecido, se entrenaron algunos modelos supervisados referentes a la clasificación de negocio mediante técnicas de machine learning. El proyecto y los resultados mostrarán que la utilización de los modelos construidos para solucionar la ineficacia de las campañas tuvo gran valía. Estos modelos de machine learning fueron muy útiles como una herramienta para obtener ventajas competitivas mediante su implantación y uso, apoyando el máximo nivel de la organización. Esto a su vez supone tener una guía para direccionar las nuevas campañas mediante la implementación de marketing directo.
publishDate 2022
dc.date.none.fl_str_mv 2022
2023-10-17T14:22:57Z
2023-10-17T14:22:57Z
dc.type.none.fl_str_mv Trabajo de grado de maestría
info:eu-repo/semantics/acceptedVersion
info:eu-repo/semantics/masterThesis
http://purl.org/coar/resource_type/c_bdcc
format masterThesis
status_str acceptedVersion
dc.identifier.none.fl_str_mv http://hdl.handle.net/20.500.12010/32222
http://expeditio.utadeo.edu.co
url http://hdl.handle.net/20.500.12010/32222
http://expeditio.utadeo.edu.co
dc.language.none.fl_str_mv spa
language spa
dc.relation.none.fl_str_mv Sendinblue, “¿Qué es el marketing directo? Ventajas, canales y ejemplos - Sendinblue,” España, Aug. 27, 2021. https://es.sendinblue.com/blog/marketingdirecto/ (accessed Mar. 31, 2022).
A. Burkov, “The Hundred Page Machine Learning,” Computer (Long. Beach. Calif)., vol. 2005, no. April, pp. 40–48, 1997, Accessed: Mar. 31, 2022. [Online]. Available: https://books.google.com/books/about/Machine_Learning.html?hl=es&id=EoYBngE ACAAJ
IBM, “What is Machine Learning? | IBM,” Jul. 15, 2020. https://www.ibm.com/cloud/learn/machine-learning (accessed Mar. 31, 2022).
A. Moreno et al., “Aprendizaje automático,” p. 342, 1994, Accessed: May 21, 2022. [Online]. Available: https://upcommons.upc.edu/handle/2099.3/36157
Q. Bi, K. E. Goodman, J. Kaminsky, and J. Lessler, “What is Machine Learning? A Primer for the Epidemiologist,” Am. J. Epidemiol., vol. 188, no. 12, pp. 2222–2239, Dec. 2019, doi: 10.1093/AJE/KWZ189.
I. Muhammad and Z. Yan, “SUPERVISED MACHINE LEARNING APPROACHES: A SURVEY,” p. 947, 2015, doi: 10.21917/ijsc.2015.0133.
V. Nasteski, “An overview of the supervised machine learning methods,” p. 4, 2017, doi: 10.20544/HORIZONS.B.04.1.17.P05.
J. R. Quinlan, “Induction of Decision Trees,” Mach. Learn., vol. 1, pp. 81–106, 1986, Accessed: Mar. 31, 2022. [Online]. Available: https://link.springer.com/content/pdf/10.1007/BF00116251.pdf
L. Breiman, “Random Forests,” vol. 45, pp. 5–32, 2001, Accessed: Mar. 31, 2022. [Online].
M. P. LaValley, “Logistic Regression,” Circulation, vol. 117, no. 18, pp. 2395–2399, May 2008, doi: 10.1161/CIRCULATIONAHA.106.682658.
DATA SCIENCE, “XGBoost,” 2019. https://datascience.eu/es/programacion/xgboost4/ (accessed Oct. 14, 2022).
Gonzalez Lidgi, “Aprendizaje Supervisado: Support Vector Machine,” Mar. 23, 2018. https://aprendeia.com/aprendizaje-supervisado-support-vector-machine/ (accessed Oct. 14, 2022)
K. M. Leung, “Naive Bayesian Classifier,” Nov. 2007
Google, “Google Colab,” 2015. https://research.google.com/colaboratory/faq.html?authuser=3&hl=es (accessed Oct. 14, 2022)
Data Science Team, “Matriz de confusión,” 2020. https://datascience.eu/es/aprendizaje-automatico/matriz-de-confusion/ (accessed Oct. 14, 2022)
Data Science Team, “¿Qué es una Matriz de Correlación?,” 2020. https://datascience.eu/es/matematica-y-estadistica/que-es-una-matriz-decorrelacion/ (accessed Oct. 14, 2022).
P. F. López de Ullibarri Galparsoro I, “Curvas ROC,” Sep. 25, 2001. http://webpersonal.uma.es/~jmpaez/websci/BLOQUEI/DocuI/roc.pdf (accessed Oct. 14, 2022).
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
Abierto (Texto Completo)
eu_rights_str_mv openAccess
rights_invalid_str_mv Abierto (Texto Completo)
dc.format.none.fl_str_mv 96 páginas
text/html
application/pdf
dc.coverage.none.fl_str_mv Colombia
dc.publisher.none.fl_str_mv Universidad de Bogotá Jorge Tadeo Lozano
Maestría en Ingeniería y Analítica de Datos
publisher.none.fl_str_mv Universidad de Bogotá Jorge Tadeo Lozano
Maestría en Ingeniería y Analítica de Datos
dc.source.none.fl_str_mv reponame:Expeditio: repositorio UTadeo
instname:Universidad de Bogotá Jorge Tadeo Lozano
instacron:Universidad de Bogotá Jorge Tadeo Lozano
instname_str Universidad de Bogotá Jorge Tadeo Lozano
instacron_str Universidad de Bogotá Jorge Tadeo Lozano
institution Universidad de Bogotá Jorge Tadeo Lozano
reponame_str Expeditio: repositorio UTadeo
collection Expeditio: repositorio UTadeo
_version_ 1825051830325870592
spelling Modelo predictivo para clasificación de clientes en la adquisición de productos financieros bancariosRodriguez Ardila, Jonatan AndreyClientesMachine learningMarketingEntidades financierasAtención al clienteHerramientas tecnológicasTomando como base que las campañas de marketing directo actuales que realizan las entidades financieras del sector bancario para la captación de futuros clientes son una situación de orden no controlado que se presenta en la gran mayoría de las empresas y que conlleva una defectuosa gestión de los recursos disponibles en el área (ya sea esfuerzo humano, llamadas telefónicas, tiempo, dinero, etc.), este proyecto propuso una solución desde el punto de vista tecnológico, de cómo podía una entidad financiera tener una mayor efectividad para futuras campañas de marketing directo. Con el estudio de este proyecto lo que se buscó, fue poder construir un modelo predictivo de aprendizaje supervisado que permitiera clasificar cuáles serían los posibles clientes que probablemente pudieran adquirir los productos financieros bancarios a largo plazo. Teniendo en cuenta que el objetivo del modelado era predecir los posibles clientes que deseaban adquirir el instrumento financiero ofrecido, se entrenaron algunos modelos supervisados referentes a la clasificación de negocio mediante técnicas de machine learning. El proyecto y los resultados mostrarán que la utilización de los modelos construidos para solucionar la ineficacia de las campañas tuvo gran valía. Estos modelos de machine learning fueron muy útiles como una herramienta para obtener ventajas competitivas mediante su implantación y uso, apoyando el máximo nivel de la organización. Esto a su vez supone tener una guía para direccionar las nuevas campañas mediante la implementación de marketing directo.#EntidadesFinancierasBased on the fact that the current direct marketing campaigns carried out by financial institutions in the banking sector to attract future customers are a situation of uncontrolled order that occurs in the vast majority of companies and leads to a defective management of the resources available in the area (whether human effort, phone calls, time, money, etc.), this project proposed a solution from the technological point of view, of how a financial institution could have a greater effectiveness for future direct marketing campaigns. The aim of this project was to build a predictive supervised learning model to classify which potential customers were likely to purchase the bank's financial products in the long term. Taking into account that the objective of the modeling was to predict the possible clients that would wish to acquire the financial instrument offered, some supervised models were trained regarding business classification by means of machine learning techniques. The project and the results will show that the use of the models built to solve the ineffectiveness of the campaigns had great value. These machine learning models were very useful as a tool to gain competitive advantage through their implementation and use, supporting the highest level of the organization. This in turn means having a guide to direct new campaigns through the implementation of direct marketing.Universidad de Bogotá Jorge Tadeo LozanoMaestría en Ingeniería y Analítica de DatosHerrera, Jorge2023-10-17T14:22:57Z2023-10-17T14:22:57Z2022Trabajo de grado de maestríainfo:eu-repo/semantics/acceptedVersioninfo:eu-repo/semantics/masterThesishttp://purl.org/coar/resource_type/c_bdcc96 páginastext/htmlapplication/pdfhttp://hdl.handle.net/20.500.12010/32222http://expeditio.utadeo.edu.coreponame:Expeditio: repositorio UTadeoinstname:Universidad de Bogotá Jorge Tadeo Lozanoinstacron:Universidad de Bogotá Jorge Tadeo LozanospaSendinblue, “¿Qué es el marketing directo? Ventajas, canales y ejemplos - Sendinblue,” España, Aug. 27, 2021. https://es.sendinblue.com/blog/marketingdirecto/ (accessed Mar. 31, 2022).A. Burkov, “The Hundred Page Machine Learning,” Computer (Long. Beach. Calif)., vol. 2005, no. April, pp. 40–48, 1997, Accessed: Mar. 31, 2022. [Online]. Available: https://books.google.com/books/about/Machine_Learning.html?hl=es&id=EoYBngE ACAAJIBM, “What is Machine Learning? | IBM,” Jul. 15, 2020. https://www.ibm.com/cloud/learn/machine-learning (accessed Mar. 31, 2022).A. Moreno et al., “Aprendizaje automático,” p. 342, 1994, Accessed: May 21, 2022. [Online]. Available: https://upcommons.upc.edu/handle/2099.3/36157Q. Bi, K. E. Goodman, J. Kaminsky, and J. Lessler, “What is Machine Learning? A Primer for the Epidemiologist,” Am. J. Epidemiol., vol. 188, no. 12, pp. 2222–2239, Dec. 2019, doi: 10.1093/AJE/KWZ189.I. Muhammad and Z. Yan, “SUPERVISED MACHINE LEARNING APPROACHES: A SURVEY,” p. 947, 2015, doi: 10.21917/ijsc.2015.0133.V. Nasteski, “An overview of the supervised machine learning methods,” p. 4, 2017, doi: 10.20544/HORIZONS.B.04.1.17.P05.J. R. Quinlan, “Induction of Decision Trees,” Mach. Learn., vol. 1, pp. 81–106, 1986, Accessed: Mar. 31, 2022. [Online]. Available: https://link.springer.com/content/pdf/10.1007/BF00116251.pdfL. Breiman, “Random Forests,” vol. 45, pp. 5–32, 2001, Accessed: Mar. 31, 2022. [Online].M. P. LaValley, “Logistic Regression,” Circulation, vol. 117, no. 18, pp. 2395–2399, May 2008, doi: 10.1161/CIRCULATIONAHA.106.682658.DATA SCIENCE, “XGBoost,” 2019. https://datascience.eu/es/programacion/xgboost4/ (accessed Oct. 14, 2022).Gonzalez Lidgi, “Aprendizaje Supervisado: Support Vector Machine,” Mar. 23, 2018. https://aprendeia.com/aprendizaje-supervisado-support-vector-machine/ (accessed Oct. 14, 2022)K. M. Leung, “Naive Bayesian Classifier,” Nov. 2007Google, “Google Colab,” 2015. https://research.google.com/colaboratory/faq.html?authuser=3&hl=es (accessed Oct. 14, 2022)Data Science Team, “Matriz de confusión,” 2020. https://datascience.eu/es/aprendizaje-automatico/matriz-de-confusion/ (accessed Oct. 14, 2022)Data Science Team, “¿Qué es una Matriz de Correlación?,” 2020. https://datascience.eu/es/matematica-y-estadistica/que-es-una-matriz-decorrelacion/ (accessed Oct. 14, 2022).P. F. López de Ullibarri Galparsoro I, “Curvas ROC,” Sep. 25, 2001. http://webpersonal.uma.es/~jmpaez/websci/BLOQUEI/DocuI/roc.pdf (accessed Oct. 14, 2022).Colombiainfo:eu-repo/semantics/openAccessAbierto (Texto Completo)2023-10-18T08:01:45Z
score 15.811543

Similares en LA Referencia