Predicción de retiro de clientes bancarios

Abstract

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

ABSTRACT : In the modern business world, customer loyalty and retention have become essential and critical elements when defining strategies and policies that reduce customer defection to other markets and/or products. Losing customers is more costly than attracting new ones. The study of customer behavior, particularly their defection, has become an urgent necessity within the business sphere. In financial companies, especially banks, it is a critical factor to understand defections and be able to predict such behavior. The main objective of this work is to find patterns in the data that allow for the identification and understanding of defections, by carrying out different iterations on the data and using the different techniques addressed in the Analytics and Data Science specialization at the University of Antioquia. The process starts with a first iteration evaluating the data through a logistic regression model. From there, subsequent iterations allow for the evaluation of machine learning models in search of the optimal model and best results.