Personalización de ofertas de marketing para aumento de uso de la tarjeta de crédito
Date
2022-01
Type:
Thesis
item.page.extent
40 p.
item.page.accessRights
Authors
item.contributor.advisor
ORCID:
Journal Title
Journal ISSN
Volume Title
Publisher
Universidad del Desarrollo. Facultad de Ingeniería
item.page.isbn
item.page.issn
item.page.issne
item.page.doiurl
item.page.other
item.page.references
Abstract
En este trabajo se propone la utilización de una solución analítica que aborda una problemática de negocio real que es aumentar el uso de un producto, en este caso la tarjeta de crédito, para alcanzar un nivel de transacciones que permita hacerlo rentable. En particular se requiere entregar ofertas personalizadas a socios de una cooperativa de ahorro y crédito de Chile que poseen el producto de tarjeta de crédito que involucren un descuento en rubros que les sean atractivos, con el objetivo de que se aumente el uso de tarjeta en clientes con baja transaccionalidad. En una primera parte se diagnostica el problema utilizando analítica descriptiva, determinando el nivel del problema (el bajo uso), e identificando quiénes son los socios de la Cooperativa que tienen poco uso, a través de los insights que obtengamos de los datos. Para ello realizamos un EDA (Exploratory Data Analysis) con los dataset obtenidos directamente desde la Cooperativa para determinar ciertos perfiles de clientes con mayor y menor uso e implementamos un modelo RFM (Recency, Frequency y Monetary) que segmenta la cartera en base a la información transaccional. El modelo RFM nos determina cual es el cuartil con más frecuencia y menor recencia, el que representa el 11% de la cartera, que sería el grupo más activo, mientras el cuartil menos frecuente y reciente es el 14% del grupo de inactivos. Por último para prescribir correctamente la oferta personalizada que sea más efectiva para cada socio, utilizamos una técnica de Sistema de Recomendaciones, en particular se usó el modelo de filtrado colaborativo con feedback implícito basado en factorización matricial con algoritmo de aprendizaje ALS (Alternating Least Square). Este modelo de sistemas de recomendaciones es ideal para las características del problema que se desea atacar, resolviendo de muy buena forma la ausencia de preferencias, maximizando las entradas obtenidas a través de las compras históricas lo que se traduce en un modelo que tiene una precisión alta en la métrica AUC (área bajo la curva ROC), Precision, Recall y MAP (Precisión Promedio) sobre los 5 mejores recomendaciones de rubros para cada socio-cliente. Los resultados obtenidos mejoran 22 veces lo que sería una recomendación al azar de un producto. Particularmente se aprecia el efecto de configurar apropiadamente los híper parámetros que afectan el modelo y cómo estos influyen en obtener puntos de mejora en los resultados de la prescripción. En suma, se implementa un método analítico que ha aumentado su popularidad en este último tiempo debido a que soluciona algunos problemas conocidos como es entregar una recomendación atractiva a clientes, de los que tenemos poco historial de uso y que tenemos la obligación de ofrecerles una recomendación asertiva. Estas técnicas innovadoras que han nacido de la mano de empresas digitales como Netflix, Amazon, Facebook, Spotify, entre otras, nos ponen de manifiesto que pueden ser aplicables a industrias totalmente distintas como es la financiera y que es la principal hipótesis que se demuestra en este proyecto.
Description
Proyecto de grado presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data Science
item.page.coverage.spatial
item.page.sponsorship
Citation
Keywords
Sistema de recomendaciones, Tarjeta de crédito, Uso, Cooperativa financiera, 070037S