Identificación de clientes de mayor relevancia mediante teoría de grafos con foco en campañas de apertura de Tarjeta de crédito para un banco

Abstract

La eficiencia de las campañas para captar nuevos clientes en la industria financiera es de gran importancia para las empresas. Un mercado con gran competencia y con poca variabilidad de productos, obligan a buscar estrategias innovadoras que permitan mejorar la rentabilidad de sus productos y servicios. En este proyecto, se busca generar una herramienta que permita identificar los clientes más relevantes para el banco en cuanto a su potencial de apertura de tarjeta de crédito utilizando algoritmos de grafos complementados con modelos de machine learning. Las hipótesis se basan en la factibilidad de construir redes utilizando datos de transferencias de dinero, emitidas o recibidas por clientes del banco. A la vez, que es posible contrastar la relevancia de ellos utilizando campañas de apertura, en particular, campañas de referidos. Un grafo se compone por nodos y enlaces, los que en este caso representan a personas (clientes) y sus relaciones (transferencias bancarias). Luego, se establecen métricas que puedan determinar el grado de influencia de una persona sobre una red y métricas que indiquen la calidad de los enlaces o relaciones. El desarrollo se divide en la constitución de dos redes de clientes. Una primera red se construye utilizando datos de transferencias de los años 2017 y 2018 contrastando las métricas obtenidas con una campaña de referidos realizada en abril de 2018. Una segunda red se construye con datos de transferencias de los años 2018 y 2019. Las métricas obtenidas son evaluadas en una campaña de referidos realizada como piloto de este proyecto durante diciembre de 2019. Los resultados muestran que no es posible generar un modelo con la bondad de ajuste necesaria para cuantificar relevancia a nivel de cliente. Sin embargo, se logra caracterizar la relevancia a nivel agregado, donde se observa que el conjunto identificado como más importante posee una tasa de respuesta de 4 veces la del grupo de control. Este clúster representa el 25% del universo de clientes analizado, sin embargo, acapara el 35% de la tasa de respuesta. El proyecto muestra un VAN positivo con beneficios potenciales importantes debido a la directa implementación en las distintas unidades de negocio pertenecientes al mismo holding.