Show simple item record

Professor Advisordc.contributor.advisorPuente Chandía, Alejandraes_CL
Authordc.contributor.authorRoco Benavides, Carlos Elías es_CL
Staff editordc.contributor.editorFacultad de Ciencias Físicas y Matemáticases_CL
Staff editordc.contributor.editorDepartamento de Ingeniería Industriales_CL
Associate professordc.contributor.otherAburto Lafourcade, Luis Alberto
Associate professordc.contributor.otherAraya Hernández, César
Admission datedc.date.accessioned2012-09-12T18:17:54Z
Available datedc.date.available2012-09-12T18:17:54Z
Publication datedc.date.issued2010es_CL
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/103714
Abstractdc.description.abstractA nivel de la industria bancaria, del total de tarjetas de crédito circulantes, un 33% de éstas presentan actividad. BancoEstado a Octubre de 2009 posee un total de 400.000 tarjetas, de las cuales sólo un 25% son utilizadas. Lo anterior motiva a tomar acciones para mejorar este indicador, ya que tarjeta de crédito constituye uno de los productos importantes dentro del mix de oferta, tanto por su modelo de negocio de alta rentabilidad como por los beneficios asociados a su mayor utilización, entre los cuales destaca la vinculación de los clientes. El objetivo principal de este trabajo es generar modelos de propensión para incentivar el uso de tarjetas de crédito, principalmente en segmentos de bajo o nulo consumo. Además se busca caracterizar la dinámica de uso de tarjeta de crédito y los perfiles de consumo de los clientes. La metodología utilizada para enfrentar este problema tiene como base el proceso KDD. Dentro de éste se utilizaron las variables transaccionales RFMN con las cuales se segmentó a los clientes en función de su consumo. Adicionalmente se generaron cadenas de Markov que permitieron caracterizar la dinámica de evolución transaccional de los clientes a través del tiempo. En una etapa posterior se perfiló a los clientes con respecto a los tipos de compra y se incorporó esta información en los modelos de propensión, los cuales buscan encontrar las variables que explican el aumento de consumo de un cliente. Los algoritmos testeados fueron RegresiónLogística, Perceptrón Multicapa y Árboles de decisión. Resultado de lo anterior se obtuvo una segmentación con un grupo de clientes inactivos y cinco clusters de clientes con actividad, los cuales se definieron en relación al consumo en la tarjeta de crédito. Dentro del segmento de clientes inactivos se descubrió que sólo un porcentaje cercano al 20% de los clientes volverán a ser clientes activos en el período siguiente. Así también se aprecia que de forma transversal en todos los segmentos activos, el número de rubros distintos donde una persona compra es una de las variables relevantes al momento de determinar si una persona aumentará su consumo. Por otra parte se observa que los clientes de menor consumo utilizan la tarjeta principalmente para pedir avances en varias cuotas, mientras que los de mayor consumo lo hacen para comprar y hacer avances en efectivo. Dentro de las conclusiones de este trabajo se destaca que para el segmento de los clientes inactivos, si este estado se mantiene por más de 8 meses, solamente se deben dirigir esfuerzos de marketing a clientes que poseen deuda en BancoEstado. Para los que presentan inactividad menor a 8 meses, se debe fomentar la adquisición y uso de otros medios de pago (CuentaRUT, Cuenta Corriente, Chequera Electrónica, CuentActiva) ya que esto incrementa la probabilidad de que aumente su consumo en el periodo siguiente. Para los segmentos de clientes activos, se concluye que se deben diseñar campañas que apunten a incrementar el número de rubros donde una persona compra y en particular incentivar el uso de la tarjeta en rubros de alta frecuencia, por ejemplo supermercados y farmacias. En función de lo anterior, se plantean distintas acciones para cada segmento, entre ellas: Campañas informativas de promociones vigentes a los clientes con alta probabilidad de aumento de consumo y acciones activas como metas de consumo para clientes con baja o mediana probabilidad. Entre los trabajos futuros se plantea utilizar la metodología en otras áreas de la empresa donde también se cuente con datos transaccionales o bien en otros medios de pago, y se plantea la posibilidad de reformular la variable dependiente de manera generar modelos de fuga que pudiesen complementar a los existentes en el área.
Lenguagedc.language.isoeses_CL
Publisherdc.publisherUniversidad de Chilees_CL
Publisherdc.publisherCyberDocses_CL
Type of licensedc.rightsRoco Benavides, Carlos Elíases_CL
Keywordsdc.subjectIngenieríaes_CL
Keywordsdc.subjectBancoEstado (Chile)es_CL
Keywordsdc.subjectTarjetas de crédito bancarioes_CL
Keywordsdc.subjectProcesos de Markoves_CL
Títulodc.titleModelamiento Predictivo para el Aumento de Consumo de Tarjeta de Crédito Sobre el Análisis de Comportamiento Transaccional de Clientes de una Institución Financieraes_CL
Document typedc.typeTesis


Files in this item

Icon

This item appears in the following Collection(s)

Show simple item record