Definición y análisis de clientes digitales, con tarjeta de crédito abierta, en una Compañía del Retail Financiero

Abstract

El presente trabajo se desarrolla en una empresa perteneciente a la industria de Retail Financiero, la cual se referirá en este documento como empresa RF . El objetivo de este trabajo es definir y analizar a los clientes digitales de la tarjeta RF, para sugerir mejoras en las campañas de marketing dirigido existentes. Frente a esto, se utiliza una metodología mixta, considerando las metodologías CRISP-DM y KDD. El trabajo realizado se divide en tres etapas. La primera etapa corresponde a la ejecución de un modelo de segmentación, en base a hitos digitales, las cuales son diversas acciones que realizan los usuarios en los canales digitales. La segunda etapa es la realización de una regresión de Diferencias en Diferencias, que permite saber si existen cambios en transacciones y pagos, después de un proceso de digitalización. La tercera etapa se compone de tres modelos predictivos, dos de ellos entregan un pronóstico de digitalización de clientes a corto plazo, mientras que el tercer modelo predictivo entrega una predicción de uso de los canales digitales en los próximos 4 meses. Para ejecutar estos pasos, se utilizan datos sociodemográficos de los clientes, datos sobre el uso de canales digitales y datos de la tarjeta RF, como transacciones con tarjeta, pagos, deuda y monto de cupo total. Como resultados de los modelos realizados, el modelo de segmentación se compone de 5 segmentos de clientes, con respecto a sus acciones digitales. Estos segmentos se denominan No Digital , App Incipiente , Sólo Sitio Web , Full App y Full Digital . Los segmentos Full App y Full Digital poseen promedios de edad menores a los segmentos restantes, por ende, se componen de clientes más jóvenes. Desde la regresión de Diferencias en Diferencias, se observa que posterior a la digitalización de un cliente, este evento produce un aumento en transacciones de CLP $3.617 y una disminución de pagos de CLP $9.595. Con relación a los modelos predictivos generados, los dos primeros muestran resultados insatisfactorios, ya que la métrica de Precision posee cifras menores al 10%. El tercer modelo predictivo, de predicción de uso de canales digitales, entrega resultados superiores al 80% en las métricas Accuracy, Precision y Recall. Dentro de las conclusiones del trabajo, se observan resultados concretos, pero limitados debido a que se consideran pocos meses en la obtención de datos. Por ello, se recomienda continuar con la realización de estos modelos y observar si existen cambios o se mantienen los resultados obtenidos. En base a los modelos predictivos, se recomienda establecer una predicción de un evento que no sea difícil de cumplir, para evitar datos desbalanceados entre las etiquetas positivas y negativas de la variable a predecir.