dc.contributorGalpin, Ixent
dc.contributorMade available in DSpace on 2020-09-25T21:52:14Z (GMT). No. of bitstreams: 1 Trabajo_Grado.zip: 1546897 bytes, checksum: 4c28f242dbcbf2812965479feec42a9c (MD5)
dc.creatorRico Poveda, Carlos Alvaro
dc.date.accessioned2020-09-28T14:18:57Z
dc.date.accessioned2022-09-23T18:46:31Z
dc.date.available2020-09-28T14:18:57Z
dc.date.available2022-09-23T18:46:31Z
dc.date.created2020-09-28T14:18:57Z
dc.identifierhttp://hdl.handle.net/20.500.12010/13883
dc.identifierhttp://expeditio.utadeo.edu.co
dc.identifier.urihttp://repositorioslatinoamericanos.uchile.cl/handle/2250/3507166
dc.description.abstractEste trabajo tiene como objetivo el estudio, aplicación e implementación de modelos Machine Learning para identificar qué clientes desean cancelar alguna de sus tarjetas de crédito. La industria bancaria utiliza esta tecnología con el fin de obtener predicciones más fiables a la hora de identificar oportunidades de compra, inversión o fraude. Estos modelos se pueden adaptar de forma independiente, por medio del reconocimiento de patrones y algoritmos basados en cálculos matemáticos. Para desarrollar la investigación se implementaron y evaluaron cuatro modelos (LightGBM, XGBoost, Random Forest y Logistic Regression) con el fin de predecir a través de los datos del cliente y sus productos la posibilidad de que cancele sus tarjetas de crédito. Mediante una análisis de la curvas ROC usando las métricas AUC, se llegó a la conclusión que de los modelos seleccionados, el modelo elegido para realizar la predicción fue LightGBM, ya que fue el que tuvo mejor desempeño en los experimentos realizados. De igual forma, se encontró que la variable Score Acierta, una calificación del cliente proveída por la central de riesgos, es la que más discrimina en los modelos predicción.
dc.languageeng
dc.publisherUniversidad de Bogotá Jorge Tadeo Lozano
dc.publisherMaestría en Ingeniería y Analítica de Datos
dc.relationBreiman, L.: Random forests. Machine learning 45(1), 5{32 (2001)
dc.relationCasta~no, H.F., Ram rez, F.O.P.: El modelo log stico: una herramienta estad stica para evaluar el riesgo de cr edito. Revista Ingenier as Universidad de Medell n 4(6), 55{75 (2005)
dc.relationChen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y.: Xgboost: extreme gradient boosting. R package version 0.4-2 pp. 1{4 (2015)
dc.relationChitra, K., Subashini, B.: Customer retention in banking sector using predictive data mining technique. In: ICIT 2011 The 5th International Conference on Information Technology (2011)
dc.relationDfuf, I.A.: An alisis de Sensibilidad Mediante Random Forest. Ph.D. thesis, Universidad Polit ecnica de Madrid (2018)
dc.relationHe, B., Shi, Y., Wan, Q., Zhao, X.: Prediction of customer attrition of commercial banks based on svm model. Procedia Computer Science 31, 423{430 (2014)
dc.relationJes us, E.Z.J., Gerencia, C.: Aplicaci on de algoritmos random forest y xgboost en una base de solicitudes de tarjetas de cr edito application of random forest and xgboost algorithms based on a credit card applications database. IngenIer a InvestIgacI on y tecnolog a 21(3), 1{16 (2020)
dc.relationKe, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., Liu, T.Y.: Lightgbm: A highly e cient gradient boosting decision tree. In: Advances in neural information processing systems. pp. 3146{3154 (2017)
dc.relationKrishnan, S.: Weight of evidence and information value using python (2018), https://medium.com/@sundarstyles89/ weight-of-evidence-and-information-value-using-python-6f05072e83eb
dc.relationLaMorte, W.W.: Cox proportional hazards regression analysis (2016), https://sphweb.bumc.bu.edu/otlt/MPH-Modules/BS/BS704_Survival/BS704_ Survival6.html
dc.relationManrai, L.A., Manrai, A.K.: A eld study of customers' switching behavior for bank services. Journal of retailing and consumer services 14(3), 208{215 (2007)
dc.relationMittal, V., Kamakura, W.A.: Satisfaction, repurchase intent, and repurchase behavior: Investigating the moderating e ect of customer characteristics. Journal of marketing research 38(1), 131{142 (2001)
dc.relationVan den Poel, D., Lariviere, B.: Customer attrition analysis for nancial services using proportional hazard models. European journal of operational research 157(1), 196{217 (2004)
dc.relationRez a c, M., Rez a c, F.: How to measure the quality of credit scoring models. Finance a uv er: Czech Journal of Economics and Finance 61(5), 486{507 (2011)
dc.relationTang, L., Thomas, L., Fletcher, M., Pan, J., Marshall, A.: Assessing the impact of derived behavior information on customer attrition in the nancial service industry. European Journal of Operational Research 236(2), 624{633 (2014)
dc.relationVerbeke, W., Martens, D., Mues, C., Baesens, B.: Building comprehensible customer churn prediction models with advanced rule induction techniques. Expert systems with applications 38(3), 2354{2364 (2011)
dc.relationWirth, R., Hipp, J.: Crisp-dm: Towards a standard process model for data mining. In: Proc. of the 4th international conference on the practical applications of knowledge discovery and data mining. pp. 29{39. Springer-Verlag London, UK (2000)
dc.relationXie, Y., Li, X., Ngai, E., Ying, W.: Customer churn prediction using improved balanced random forests. Expert Systems with Applications 36(3), 5445{5449 (2009)
dc.relationZhao, X., Shi, Y., Lee, J., Kim, H.K., Lee, H.: Customer churn prediction based on feature clustering and nonparallel support vector machine. International Journal of Information Technology & Decision Making 13(05), 1013{1027 (2014)
dc.rightsinfo:eu-repo/semantics/openAccess
dc.rightsAbierto (Texto Completo)
dc.sourceinstname:Universidad de Bogotá Jorge Tadeo Lozano
dc.sourcereponame:Expeditio Repositorio Institucional UJTL
dc.subjectAprendizaje Supervisado
dc.subjectRegresión Logística
dc.subjectAprendizaje
dc.titleForecasting credit card attrition using machine learning models


Este ítem pertenece a la siguiente institución