Los análisis realizados a través de la plataforma Shapelets pueden detectar aspectos como la cantidad inactiva de clientes que tiene un banco o la probabilidad de abandono de un cliente determinado. id:76275
El valor de los datos es incuestionable para las empresas ya que han demostrado su capacidad para mejorar la toma de decisiones. Tanto es así que el Big Data es imprescindible en sectores como el de la banca pues gracias a él se pueden saber las razones por las que un cliente abandona un banco.
Desde Shapelets, plataforma española especializada en Data Science, explican que “la actividad de los clientes puede ser analizada, lo que permite que a través de su comportamiento se creen modelos predictivos que anticipen sus acciones. Lo que, a su vez, ayuda a las compañías a evitar su fuga”.
Plataformas como la desarrollada por Shapelets, ofrecen a los bancos esta nueva posibilidad de análisis de datos a gran escala de una forma ágil, que les ayuda a mejorar la toma de decisiones y crear modelos predictivos que muestran qué clientes abandonarán el banco y cómo lo harán.
De hecho, la tasa de abandono es una de las métricas más relevantes para las empresas ya que ofrece información sobre el grado de retención de los clientes por parte de la compañía. Por ello, a continuación, se recogen algunos aspectos clave de la metodología que siguen los modelos de Machine Learning para detectar cuándo y por qué un cliente abandona su banco:
Revisión del conjunto de datos. Antes de analizar los datos hay que llevar a cabo una revisión de alto nivel del conjunto de la información para saber qué datos existen y la calidad de los mismos. De esta manera se pueden descubrir características nuevas y aprender si son binarias o categóricas.
Análisis exploratorio de los datos. Este análisis exploratorio de datos (AED) permite detectar las características más importantes o diseñarlas. Para ello es fundamental visualizar cada una de las características relevantes, usando el gráfico adecuado según su naturaleza para aprender si hay un sesgo en dicha características, en función de la decisión del cliente de terminar su relación con el banco.
Modelización. En este punto se construyen modelos predictivos y se estima el rendimiento del modelo con datos nuevos y no vistos.
Métricas. Es importante determinar qué métricas se van a tener en cuenta en el análisis. Si queremos saber la tasa de abandono en el sector bancario tendremos que seleccionar variables técnicas como la tasa de verdaderos positivos, el valor predictivo positivo y la probabilidad de falsa alarma o tasa de falsos positivos. Además, hay que tener en cuenta la curva de características operativas del receptor (ROC), otra forma habitual de visualizar el rendimiento de los modelos de clasificación, y la matriz de confusión, otra sencilla forma de visualizar el rendimiento de la clasificación una vez elegido el umbral del modelo.
Conclusiones. Las conclusiones más relevantes de un análisis en el sector bancario pueden darnos como resultado información muy útil como la cantidad inactiva de clientes que tiene un banco o la probabilidad de abandono de un cliente determinado. Además, cuando el modelo desarrollado por Shapelets predice que un cliente no se va a marchar sólo se equivoca en un 7%, y es capaz de eliminar más del 70% de los clientes del análisis, dejando que la empresa se centre en los que tienen más probabilidades de abandono.
En el caso analizado por la compañía, se detectó que el 24% de los clientes se dieron de baja en el banco y que la mayoría de clientes que se cambian tienen tarjetas de crédito. Además, se averiguó que los clientes con sueldos elevados son los que más cambian de banco, que los hombres cambian más de banco que las mujeres y que la rotación es menos frecuente en los clientes que llevan varios años en el banco, por lo que, hacer un esfuerzo de retención en los primeros años, puede reducir la tasa de abandono.
Además, plataformas como Shapelets pueden descubrir problemas en las ramas de negocio internacionales, al comparar los ratios de abandono entre países. Con esta plataforma, las métricas pueden monitorizarse con frecuencia y las conclusiones pueden compartirse de forma instantánea a todos los departamentos por lo que sirve también para los equipos de marketing, para mejorar la calidad del servicio que ofrece el banco o para reducir los fallos de los productos en función de los perfiles de uso.