Show simple item record

Professor Advisordc.contributor.advisorPuente Chandía, Alejandra
Authordc.contributor.authorSalazar Ortega, Camilo Andrés
Associate professordc.contributor.otherMéndez Guzmán, Erick
Associate professordc.contributor.otherSegovia Riquelme, Carolina
Admission datedc.date.accessioned2018-09-04T19:28:05Z
Available datedc.date.available2018-09-04T19:28:05Z
Publication datedc.date.issued2018
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/151490
General notedc.descriptionMemoria para optar al título de Ingeniero Civil Industriales_ES
Abstractdc.description.abstractEl trabajo de título se lleva a cabo en un Banco privado que posee alrededor del 3% de las colocaciones totales en el sistema financiero (SBIF, 2017). El Banco actualmente se encuentra en un estado de crecimiento y uno de sus focos para los próximos años corresponde en aumentar las colocaciones de consumo. El objetivo general del trabajo es desarrollar una metodología para aumentar la tasa de respuesta de las campañas de promoción de créditos de consumo y tarjetas de créditos pre aprobadas, para así aumentar las colocaciones de consumo. La motivación de este trabajo radica en la oportunidad de optimizar la gestión de los ejecutivos en la promoción de productos pre aprobados, en este contexto, aproximadamente un 72% de los clientes es gestionado por los ejecutivos y teniendo en cuenta que la tasa de respuesta en créditos de consumo promedio de los clientes gestionados es 5,8% y 2,1% de los clientes que no son gestionados, es fundamental hacer una selección inteligente de los clientes a los que se les asigna una prioridad alta de gestión. Para llevar a cabo el objetivo general se sigue la metodología CRISP-DM, donde se desarrolla un modelo de propensión de créditos de consumo, un modelo de propensión de tarjetas de crédito, una segmentación de clientes de acuerdo con el uso de correo electrónico y sitio web, se resuelve un problema de optimización lineal para realizar la priorización que deben seguir los ejecutivos y se plantea el diseño experimental para validar el aumento de la tasa de respuesta. Los modelos de propensión que se estudian son los árboles de decisión y regresiones logísticas en conjunto con las técnicas de balanceo de datos como Random Over Samplig, SMOTE y eliminación de enlaces de Tomek. En los modelos de segmentación se utiliza el algoritmo K-Means. Los modelos de propensión construidos permiten mejorar el sistema actual de priorización de clientes, alcanzando una mejora del 4,4% y 3,2% en la precisión de la priorización de créditos de consumo y tarjetas de crédito respectivamente. Y los modelos de segmentación permiten identificar a los clientes que se necesita contactar a través del ejecutivo, ya que estos no utilizan el correo electrónico o sitio web. Al integrar los modelos de propensión y segmentación de uso de canales en un problema de optimización lineal se logra desarrollar una metodología que prioriza a los clientes que son más propensos a tomar los productos ofertados y que entregan una mayor utilidad esperada.
Lenguagedc.language.isoeses_ES
Publisherdc.publisherUniversidad de Chilees_ES
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0 United States
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/us/
Keywordsdc.subjectBancos - Administraciónes_ES
Keywordsdc.subjectÁrboles de decisiónes_ES
Keywordsdc.subjectModelos logísticoses_ES
Keywordsdc.subjectTarjetas de créditoes_ES
Títulodc.titleModelo de recomendación de clientes para la gestión de campañas de productos de consumo pre aprobadoses_ES
Document typedc.typeTesis
dcterms.accessRightsdcterms.accessRightsAcceso abiertoes_ES
Catalogueruchile.catalogadorgmmes_ES
Departmentuchile.departamentoDepartamento de Ingeniería Industriales_ES
Facultyuchile.facultadFacultad de Ciencias Físicas y Matemáticases_ES


Files in this item

Icon
Icon

This item appears in the following Collection(s)

Show simple item record

Attribution-NonCommercial-NoDerivs 3.0 United States
Except where otherwise noted, this item's license is described as Attribution-NonCommercial-NoDerivs 3.0 United States