| dc.contributor | García Arias, Hernán Felipe | |
| dc.creator | Henao Quintero, Sergio Andres | |
| dc.date | 2023-06-28T19:20:22Z | |
| dc.date | 2023-06-28T19:20:22Z | |
| dc.date | 2023 | |
| dc.date.accessioned | 2024-04-23T17:42:56Z | |
| dc.date.available | 2024-04-23T17:42:56Z | |
| dc.identifier | https://hdl.handle.net/10495/35695 | |
| dc.identifier.uri | https://repositorioslatinoamericanos.uchile.cl/handle/2250/9229768 | |
| dc.description | RESUMEN : En este proyecto, se aborda el desafío de aumentar la tasa de clientes impactados por ofertas comerciales en una entidad financiera de un 4% a un 25%. Mediante la aplicación de análisis de datos avanzado y modelado predictivo, se construye un modelo analítico para personalizar las ofertas de productos financieros según las necesidades y preferencias de cada cliente. Se utiliza modelos de aprendizaje automático, específicamente Gradient Boosting, Random Forest y One vs Rest Classifier, para analizar patrones de comportamiento del cliente y predecir su respuesta a diferentes ofertas de productos. Para asegurar la calidad y representatividad de los datos de entrenamiento, se aplican varias técnicas de preprocesamiento de datos y balanceo de clases. Para evaluar la efectividad del modelo, se usan varias métricas de desempeño, incluyendo precisión, recall, F1_score y AUC. A través de esta investigación, se busca como demostrar como un enfoque de análisis de datos centrado en el cliente puede contribuir a mejorar la satisfacción del cliente, optimizar la eficacia de las campañas de marketing y, en última instancia, mejorar los resultados comerciales de la entidad financiera. | |
| dc.description | ABSTRACT : In this project, we address the challenge of increasing the customer impact rate from commercial offers in a financial institution from 4% to 25%. Through the application of advanced data analysis and predictive modeling, we build an analytical model to personalize financial product offers according to the needs and preferences of each customer. Machine learning models, specifically Gradient Boosting, Random Forest, and One vs. Rest Classifier, analyze customer behavior patterns and predict their response to different product offers. Various data preprocessing techniques and class balancing are applied to ensure the training data's quality and representativeness. We use several performance metrics to assess the model's effectiveness, including precision, recall, F1 score, and AUC. Through this research, we aim to demonstrate how a customer-focused data analysis approach can improve customer satisfaction, optimize marketing campaigns' effectiveness, and ultimately improve the financial institution's business outcomes. | |
| dc.format | 58 | |
| dc.format | application/pdf | |
| dc.format | application/pdf | |
| dc.language | spa | |
| dc.publisher | Medellín, Colombia | |
| dc.rights | info:eu-repo/semantics/openAccess | |
| dc.rights | http://creativecommons.org/licenses/by-nc-sa/2.5/co/ | |
| dc.rights | http://purl.org/coar/access_right/c_abf2 | |
| dc.rights | https://creativecommons.org/licenses/by-nc-sa/4.0/ | |
| dc.subject | Aprendizaje automático (inteligencia artificial) | |
| dc.subject | Machine learning | |
| dc.subject | Aprendizaje supervisado (inteligencia automático) | |
| dc.subject | Supervised learning (Machine learning) | |
| dc.subject | Crédito | |
| dc.subject | Perfilación del consumidor | |
| dc.title | Modelo de próxima oferta para clientes de una entidad de crédito utilizando técnicas de aprendizaje automático | |
| dc.type | info:eu-repo/semantics/other | |
| dc.type | info:eu-repo/semantics/draft | |
| dc.type | http://purl.org/coar/resource_type/c_46ec | |
| dc.type | http://purl.org/redcol/resource_type/COther | |
| dc.type | Tesis/Trabajo de grado - Monografía - Especialización | |
