Estimación de Customer Lifetime Value en retail financiero

Abstract

La memoria se desenvuelve en el sector del retail financiero, en particular en una compañía que posee el 15% de participación de mercado respecto a la cantidad de tarjetas vigentes, representados en más de 1.8 millones de clientes activos. Se busca encontrar quién es el mejor cliente de la empresa, con el fin de redireccionar las campañas de marketing, aumentar ingresos y mejorar la fidelidad presente en los clientes. Para esto, se ocupará como métrica el Customer Lifetime Value. Esto es, mostrar cuanto valor traerá un cliente a la empresa en el futuro. El cálculo se hará en una proyección de 12 meses porque se ocupará para la redirección de las campañas que son de formato anual. Se dividió en modelar la actividad del cliente y la proyección de su margen futuro. Para calcular la actividad de la cartera, se utilizan modelos logísticos dependientes del periodo, donde sólo ira cambiando la variable dependiente. Junto a esto, se le comparará con una metodología Weight of Evidence y un benchmark de un modelo único. Los resultados del modelo logístico muestran que a medida que pasa el tiempo, su accuracy baja de un 84% a un 78%. Mientras que, en el cálculo de márgenes futuros, se ocupó como método de predicción ARIMA, ARIMAX y el Prophet de Facebook, el cual es un método Generalized Additive Model. Junto a esto, se compara en métricas de MAPE y RMSE con un modelo de panel. Se ocupan en definitiva un ARIMA y el modelo de panel. Dentro de las principales conclusiones, no se logró el objetivo de satisfacer las dos métricas de valores futuros, pero si el de calcular el CLV de los clientes y su debida identificación, en donde con el modelo de panel fijo se obtuvieron resultados más acertados. Se proponen otros métodos de predicción con el fin de cumplir los objetivos de manera simultánea.