Show simple item record

Professor Advisordc.contributor.advisorPuente Chandía, Alejandra
Authordc.contributor.authorGallardo Mesa, Cristóbal Enrique 
Staff editordc.contributor.editorFacultad de Ciencias Físicas y Matemáticas
Staff editordc.contributor.editorDepartamento de Ingeniería Industrial
Associate professordc.contributor.otherMarín Vicuña, Pablo
Associate professordc.contributor.otherRomero Godoy, Juan
Admission datedc.date.accessioned2016-06-17T16:27:25Z
Available datedc.date.available2016-06-17T16:27:25Z
Publication datedc.date.issued2016
Identifierdc.identifier.urihttps://repositorio.uchile.cl/handle/2250/138961
General notedc.descriptionMemoria para optar al título de Ingeniero Civil Industrial
Abstractdc.description.abstractEl mercado del plástico crediticio se caracteriza por ser altamente competitivo y relevante al transar junto al débito, montos cercanos al 14% del PIB chileno, lo que ha generado constantes ofertas hacia los usuarios para incentivar el uso y gasto. Particularmente en la empresa a trabajar se ofrecen como incentivos (1) compras con cuotas, (2) acceso a promociones y (3) el canje en un club de puntos, caracterizados internamente como los drivers de la tarjeta de crédito. Estos drivers son relevantes de gestionar por que un 30% de las transacciones son realizadas con cuotas o descuentos, así como que el 35% de los clientes llega a niveles de canje, aumentando en los últimos años. Sin embargo, la empresa no conoce que tipo de cliente usa la tarjeta por un determinado incentivo. Por esta razón se generaron KPI que midieran la intención de uso de drivers, perfilando cerca de 300 mil clientes de alta interacción con cuotas y promociones, y cerca de 430 mil con el club de puntos, distribuidos en un diagrama de Venn. Con esta distribución se realizaron modelos de caracterización, obteniendo un mejor desempeño en puntos al capturar el 32% de los clientes en el mejor decil, seguido por cuotas con un 24% y en peor desempeño promociones con un 19%. Los principales resultados apuntan a perfiles distintos, donde (1) puntos son clientes con características de poder económico, uso de la página web y acumulación en rubros de la competencia directa, ejemplificado en que alguien que acumula en estos rubros es 1,83 veces más probable a tener una alta interacción que el resto. De manera contraria, (2) cuotas apunta a un bajo poder económico, nulo ingreso a la web y edad superior a 35 años, mientras que (3) promociones son menores de 30 años, con poder económico medio y un uso oportunista de la tarjeta. Posteriormente se extendió el análisis de puntos hacia principales líneas de premios, obteniendo además de perfiles más específicos, el efecto circulo virtuoso que los clientes canjean premios muy correlacionados a los rubros de acumulación. Finalmente se propuso gestionar a 660 mil clientes de baja interacción que el modelo señaló con los mejores lifts. Con esta acción se espera generar un gasto incremental de $12 MM, que es un 6,35% del gasto anual. Además se propone una gestión al largo plazo de los clientes, que en concordancia con los resultados, incentiven a los clientes con estos drivers según su etapa de vida y evolución económica, primero ofreciendo promociones y posteriormente puntos o cuotas.en_US
Lenguagedc.language.isoesen_US
Publisherdc.publisherUniversidad de Chileen_US
Type of licensedc.rightsAttribution-NonCommercial-NoDerivs 3.0
Link to Licensedc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/cl/
Keywordsdc.subjectTarjetas de créditoen_US
Keywordsdc.subjectFidelidad de clientesen_US
Keywordsdc.subjectConsumidores - Actitudesen_US
Keywordsdc.subjectConducta del consumidoren_US
Keywordsdc.subjectKPIen_US
Títulodc.titleIdentificación de clientes con patrones de alta interacción con los drivers de una tarjeta de créditoen_US
Document typedc.typeTesis


Files in this item

Icon
Icon

This item appears in the following Collection(s)

Show simple item record

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