Show simple item record

dc.rights.licensehttps://creativecommons.org/licenses/by-sa/2.5/ar/es_AR
dc.contributor.advisorMartos Venturini, Gabriel
dc.contributor.authorMayor Lupo, Juanaes_AR
dc.date.accessioned2023-10-11T17:27:04Z
dc.date.available2023-10-11T17:27:04Z
dc.date.issued2023
dc.identifier.urihttps://repositorio.utdt.edu/handle/20.500.13098/12104
dc.description.abstractEn el siguiente documento se expondrá como se llevó a cabo el primer modelo predictivo para el cálculo de la tasa de abandono que se realizó en importante entidad bancaria. Desde el sector de experiencia del cliente de esta entidad, observamos la inminente necesidad de contar con esta información no solo para gestionar mejor las distintas acciones hacia los clientes desde el punto de vista de su satisfacción sino también para reportar a las distintas gerencias involucradas y que sus esfuerzos estén basados en datos y no en meras suposiciones u opiniones sobre la potencial fuga de los clientes. Además, se demostrará la importancia de la estimación de la probabilidad de abandono por cliente a la hora de implementar un programa de retención a corto plazo. Se comprenderá que resulta más rentable retener a un cliente existente que adquirir uno nuevo, y se resaltará la importancia de gestionarlo durante los primeros meses de su ciclo de vida como cliente del banco. Los primeros pasos se enfocaron en la construcción de una base de datos robusta, utilizando herramientas y técnicas especializadas. Se llevó a cabo un proceso de ingeniería de atributos para mejorar la calidad y relevancia de los datos, lo que permitió incorporar variables de gran importancia para el análisis predictivo. Estas acciones sentaron las bases para el desarrollo de modelos precisos y confiables en el estudio de la probabilidad de abandono de los clientes. Utilizando técnicas de aprendizaje no supervisado se segmentaron a los clientes de forma conveniente. Los grupos obtenidos mediante el algoritmo de k-means son contrastados con los segmentos definidos de manera ad-hoc por el Banco. Finalmente se combinan las estimaciones de las probabilidades de fuga y los resultados obtenidos del modelo de clustering a la hora de analizar diferentes estrategias de retención de clienteses_AR
dc.format.extent68 p.es_AR
dc.format.mediumapplication/pdfes_AR
dc.languagespaes_AR
dc.languageenges_AR
dc.publisherUniversidad Torcuato Di Tellaes_AR
dc.rightsinfo:eu-repo/semantics/openAccesses_AR
dc.subjectPredicción tecnológicaes_AR
dc.subjectSistema bancarioes_AR
dc.subjectTechnological predictiones_AR
dc.subjectBank Systemes_AR
dc.subjectComportamiento del Consumidores_AR
dc.subjectConsumer behaviores_AR
dc.subjectCustomer carees_AR
dc.titleAplicación de modelos predictivos para cálculo de probabilidad de churn en importante entidad bancariaes_AR
dc.typeinfo:eu-repo/semantics/masterThesises_AR
dc.typeinfo:ar-repo/semantics/tesis de maestríaes_Ar
thesis.degree.nameMaster in Management + Analyticsen
dc.subject.keywordTasa de abandonoes_AR
dc.subject.keywordChurn Predictiones_AR
dc.subject.keywordk-meanses_AR
dc.type.versioninfo:eu-repo/semantics/acceptedVersiones_AR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record