Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/20.500.14076/26917
Título : | Optimización de las campañas de marketing en la industria financiera: un enfoque basado en machine learning |
Autor : | Mori Orrillo, Edmundo de Elvira |
Asesor : | Castillo Cara, José Manuel |
Palabras clave : | Marketing;Finanzas;Machine learning |
Fecha de publicación : | 2022 |
Editorial : | Universidad Nacional de Ingeniería |
Resumen : | Las campañas de marketing que implementan las organizaciones financieras están centradas en el producto. Las empresas del sistema ofertan en promedio 17 productos entre activos, pasivos y de servicios; los valores de los indicadores de efectividad y de rentabilidad de estas campañas no son óptimos. Por tanto, para incrementar el valor de estos indicadores es necesario construir un modelo analítico denominado “Próxima Mejor Oferta” (NBO, por sus siglas del inglés) que permita definir el conjunto de productos a ofertar, priorizados según su propensión y rentabilidad.
Para desarrollar este modelo, en primer lugar, se calcula la rentabilidad esperada utilizando modelos predictivos que utilizan los siguientes algoritmos: Regresión Lineal, Bosques Aleatorios, Regresión Lineal Regularizada, Regresión con Vectores de Apoyo, etc; en segundo lugar, calculamos las probabilidades de adquisición de cada producto utilizando modelos de clasificación; los algoritmos utilizados son: Regresión Logística, Arboles de Decisión, Máquinas de Soporte Vectorial, entre otros. Para calcular las probabilidades de adquisición se utilizan diferentes modelos de clasificación; debido a esto, para compararlas entre sí, es necesario estandarizarlas utilizando un único modelo. La estandarización se realiza mediante la utilización de modelos ensamblados que combinan diferentes algoritmos de clasificación o empleando un modelo basado en inteligencia artificial denominado Redes Neuronales. La comparación de la capacidad de generalización de cada método nos indica que el modelo ensamblado obtiene los mejores resultados de estandarización, esta capacidad se calculó utilizando el indicador Área Bajo la Curva (AUC, por sus siglas del inglés). La probabilidad estandarizada y la rentabilidad serán las variables usadas para construir la función de priorización, output del modelo NBO, la cual permite ordenar los productos financieros de acuerdo con su grado de aceptabilidad.
El modelo NBO permite al área de Inteligencia Comercial construir estrategias de marketing visión cliente con una efectividad y rentabilidad mayor. Esta afirmación se demuestra comparando los resultados de las campañas comerciales de los 6 primeros meses del año 2021, donde se utilizó reglas de experto, con los resultados de las campañas comerciales de los últimos 6 meses del mismo año, donde se diseñaron estrategias basadas en el modelo NBO. La comparación obtuvo como resultado que la efectividad y la rentabilidad de las campañas comerciales se incrementó en los 6 últimos meses del año. Marketing campaigns implemented by financial organizations are focused on the product. The companies in the system offer an average of 17 different products between assets, liabilities and services; obtaining that the effectiveness and profitability of these campaigns is not optimal. Therefore, to increase these indicators, it is necessary to build an analytical model called "Next Best Offer" (NBO) that allows defining the set of products to be offered, prioritized according to their propensity and profitability. To develop this model, first of all, the expected profitability is calculated using predictive models that use the following algorithms: Linear Regression, Random Forests, Regularized Linear Regression, Regression with Support Vectors, etc; secondly, we calculate the acquisition probabilities of each product using classification models that use the following algorithms: Logistic Regression, Decision Trees, Support Vector Machines, among others. Different analytical models are used to calculate acquisition probabilities, due to this to compare them with each other, it is necessary to standardize them using a single model. This standardization can be done using assembled models that combine different classification algorithms or using a model based on artificial intelligence called Neural Networks. The comparison of the prediction capacity of each method indicates that the assembled model obtains the best standardization results, this capacity was calculated using the indicator Area Under the Curve (AUC, acronym in the English language). The standardized probability and profitability will be the variables used to build the prioritization function, output of the NBO model, which allows ordering financial products according to their degree of acceptability. The NBO model allows the Business Intelligence area to build marketing strategies customer vision with greater effectiveness and profitability; This affirmation is demonstrated by analyzing the results of the commercial campaigns of the first 6 months of the year 2021. These campaigns were carried out using marketing strategies product vision, in their construction, empirical rules called expert rules were used, and comparing them with the results of the commercial campaigns of the last 6 months of the same year (strategies built using the NBO model). The comparison obtained as a result that the effectiveness and profitability of each campaign increased substantially in the last 6 months. |
URI : | http://hdl.handle.net/20.500.14076/26917 |
Derechos: | info:eu-repo/semantics/openAccess |
Aparece en las colecciones: | Maestría |
Ficheros en este ítem:
Fichero | Descripción | Tamaño | Formato | |
---|---|---|---|---|
mori_oe.pdf | 2,59 MB | Adobe PDF | Visualizar/Abrir | |
carta_de_autorización.pdf | 1,46 MB | Adobe PDF | Visualizar/Abrir | |
mori_oe(acta).pdf | 1,57 MB | Adobe PDF | Visualizar/Abrir | |
informe_de_similitud.pdf | 2,49 MB | Adobe PDF | Visualizar/Abrir |
Este ítem está sujeto a una licencia Creative Commons Licencia Creative Commons
Indexado por: