Aplicación de la técnica estadistica Clúster K- Medias para la segmentación orientada a comprender las necesidades de financiamiento de clientes de una entidad financiera

Abstract

El presente informe se centró en corroborar el alto potencial con el que cuenta la técnica de clusterización k-medias, que dio tratamiento a la ausencia de grupos naturales dentro del conjunto de clientes de una entidad financiera, ya que su metodología garantiza un buen desempeño para información compleja y de gran dimensión, además que sus resultados son de muy fácil compresión para su posterior análisis. Adicionalmente con la aplicación de la técnica estadística clúster k-medias se logró encontrar similitudes dentro de los grupos generados, así como una óptima particularidad de los grupos que los diferencien entre sí, el proceso incluyó trabajar en la selección de variables que puedan diferenciar comportamientos diversos según esta perspectiva, además se seleccionó el número idóneo de clústeres que mejor describan los diversos comportamientos. Se trabajó a partir de información histórica de clientes, con una permanencia mínima de 1 año, se logró corroborar el alto potencial de la técnica y se planteó así 7 grupos diferenciados de clientes, siendo estos: Consolidado Ancla, Consolidado Pujante, Consolidado Agresivo, Consolidado Maduro, Aspiracional Flemático, Aspiracional Conservador y Aspiracional Maduro.

This report focused on corroborating the high potential that has the technique of k-means clústering, this technique treated the absence of natural groups within the set of costumers of a financial institution, as its methodology ensures a good performance for complex an high dimension information, besides, its results are very easy to understand for further analysis. In addition, with the application of k-means cluster methodology we will achieve find similarities within groups generated and optimum characteristic of groups that differ from one another, the process will include work on the selection of variables that can differentiate different behaviors according this perspective, besides, the selection of the best number of clusters that describes the various behaviors. Working from historical customer information with a minimum stay of one year, will be achieved confirm the high potential of the technique and 7 distinct groups of customers and raised, these being: Anchor Consolidated, Thriving Consolidated, Aggressive Consolidated, Mature Consolidated, Phlegmatic Aspirational, Conservative aspirational and Mature aspirational.