Modelos Predictivos en Standard Bank - Marcelo Ferreyra - Eugenio Arrese - Enrique Chiappe
←
→
Transcripción del contenido de la página
Si su navegador no muestra la página correctamente, lea el contenido de la página a continuación
Modelos Predictivos en Standard Bank Marcelo Ferreyra – Eugenio Arrese – Enrique Chiappe
Agenda
1. Descripción del proyecto
2. Desafíos del proyecto y soluciones
o Técnicos
o Humanos
3. Desarrollo del proyecto
o Integración de Datos
o Desarrollo de los Modelos
o Integración con el Front-end
4. Conclusión
Descripción del Proyecto
Objetivo:
o El objetivo del proyecto es construir un modelo que estime la
probabilidad de que un cliente adquiera un producto en base a
su comportamiento histórico y características propias.
Beneficios esperados:
o Poder armar campañas de cross sell/oportunidades de venta
más direccionadas aumentando el response rate y bajando
costos.
o Disponer de la información para realizar ofertas puntuales a los
clientes.
Desafíos técnicos del Proyecto Se necesitaban desarrollar unos 30 modelos. Esto implicaba: 1. Reunir los datos. 2. Preparar las variables. 3. Seleccionar las mejores variables para cada modelo. 4. Crear cada modelo. 5. Probarlos. 6. Integrarlos con el Front-end.
Soluciones técnicas Datos: se reunieron todos los datos potencialmente útiles. Se utilizaron datos de un año de originaciones. Herramientas de administración y análisis de datos : se utilizó FoxTM para reunir los datos y PowerhouseTM para analizarlos y crear los modelos
Soluciones técnicas
La información como marco de referencia
Compra
No Compra
Clientes Mensajes de Modelo Mensajes de
Entrada Salida
Los clientes envían mensajes sobre sus comportamientos.
El modelo codifica estos mensajes para transmitir una de dos respuestas:
Compra o No CompraDesafíos humanos del Proyecto
1. Datos
a) Analizar claramente con qué información contamos
b) Trabajo para generarla
2. Sponsor – “Tener suerte”
a) ¿Entiende del tema? Gran Ventaja
b) ¿No entiende del tema? Tomarse todo el tiempo del
mundo para que lo entienda
3. Convencer a los “Comerciales”
a) Distintos perfiles. Unos creen otros no
b) Compañeros inseparablesDesafíos humanos del Proyecto
4. Desconfianza – Interferencias – Roces
a) Pares
b) “A dedo”
5. Cómo mostrar/usar esos Datos/Modelos?
a) Herramienta – “BBNet”
6. Seguimiento de los Datos/Modelos
a) Mostrarlos – ¿A quién?
A los Comerciales, pares y jefes
b) ¿Para qué?
¡para que sigan confiando y que sumen adeptos!Desarrollo del proyecto
Integración de datos
Datos Comportamiento Productos que Información Campañas Historia
Demográficos posee de mercado internas
(Veraz)
250 variables
Armamos un dataset por producto y luego lo integramos en un gran datasetIntegración de datos
Productos seleccionados
Producto Tipo Descripción Alta
Trade ACT - COM Ordenes de Pago, financiación de impo/expo, Cartas de crédito, Cobranzas operaciones y comisiones nuevas de clientes existentes
Tarjetas ACT Tarjeta Visa operaciones nuevas de clientes existentes
Recaudaciones COM Banco Pagador, Banelco, Cob Geog, Blindado, Cta Rec, Debito comisiones nuevas de clientes existentes
Banco Pagador COM Banco Pagador comisiones nuevas de clientes existentes
Pagos COM Pago a Proveedores comisiones nuevas de clientes existentes
Leasing ACT Leasing operaciones nuevas de clientes existentes
Desc Docs ACT Descuento de documentos operaciones nuevas de clientes existentes
Comerciales ACT Comerciales e Hipotecarios comerciales operaciones nuevas de clientes existentes
Bullet ACT Bullet operaciones nuevas de clientes existentes
o Los datasets fueron armados en Fox.
o La selección de las variables y armado de los modelos fueron confeccionados con la herramienta
Powerhouse. Seleccionamos la misma por la velocidad que nos ofrecía en la selección de las
mejores variables para armar los modelos.
o Se utilizaron los modelos de Score basados en la regresión logística.
o La suma de los coeficientes de cada variable determina el score crudo de cada cliente.Integración de datos
Pasos realizados:
o Se seleccionó la población de interés:
Base de clientes BB desde Julio del 2010 hasta Junio 2011 inclusive
o Para cada mes de información y producto se repite:
a) Marcar si el cliente da de alta el producto los próximos tres meses.
b) Acumular las altas y una muestra de las no altas mes x mes.
Fuente Abr-10 May-10 Jun-10 Jul-10 Ago-10 Sep-10 Oct-10 Nov-10 Dic-10 Ene-11 Feb-11 Mar-11 Abr-11 May-11 Jun-11 Jul-11 Ago-11 Sep-11
Jul-10 -3 -2 -1 0 1 2 3
Ago-10 -3 -2 -1 0 1 2 3
Sep-10 -3 -2 -1 0 1 2 3
Oct-10 -3 -2 -1 0 1 2 3
Nov-10 -3 -2 -1 0 1 2 3
Dic-10 -3 -2 -1 0 1 2 3
Ene-11 Historia -3 -2 -1 0 1 2 3
Feb-11 Mes de info -3 -2 -1 0 1 2 3
Mar-11 Mes de alta -3 -2 -1 0 1 2 3
Abr-11 -3 -2 -1 0 1 2 3
May-11 -3 -2 -1 0 1 2 3
Jun-11 -3 -2 -1 0 1 2 3Desarrollo de los modelos Modelos
Producto Persona Física/Jurídica Alta anterior Variable1 Variable2 Variable3 Variable4
KS TR KS TS Dif
Trade Personas físicas CAN_ALTAS SUB_ACT 87.54 74.82 12.72
Personas jurídicas CAN_ALTAS CO_TRA TOIPRO3M 78.4 80.6 -2.2
Personas físicas Alta anterior SDO_CVD CA_OTR 82.6 51.6 31
Sin Alta anterior SUB_ACT 69.3 45.13 24.17
Personas jurídicas Alta anterior SUB_ACT CAN_ALTAS 69.4 60.3 9.1
Sin Alta anterior CO_TRADE SUB_ACT 74.4 60.2 14.2
Tarjetas Personas físicas SUC 41.5 17.8 23.7
Personas jurídicas CALIBCRA SUC 53.7 23.9 29.8
Recaudaciones Personas físicas ULT_ALTA CO_CUE CANTI_OPE 54.07 54.86 -0.79
Personas jurídicas CO_CUE FIDELID_CC 62.8 70.8 -8
Personas físicas Alta anterior SUB_ACT CO_CUE 64.9 54.1 10.8
Sin Alta anterior CO_CUE CANTI_OPE SDO_CAH REGION 54.18 52.2 1.98
Personas jurídicas Alta anterior MON_PAS TOI3M 57 16.4 40.6
Sin Alta anterior CO_CUE FIDELID_CC MONTO_OPE REGION 60.1 67.7 -7.6
Banco Pagador Personas físicas CAN_ALTAS SUB_ACT ANTIGU 64.4 59.2 5.2
Personas jurídicas CAN_ALTAS SUB_ACT ANTIGU 66.4 62.9 3.5
Pagos Personas jurídicas CAN_CVP SUC REGION 81.4 71.5 9.9
Leasing Personas físicas TEL_LOC SUC REGION 95 73 22
Personas jurídicas TEL_LOC REGION SEG_DECIL CANTI_OPE 73.7 67.5 6.2
Desc Docs Personas físicas CAN_ALTAS CAN_ACT 71.64 74.5 -2.86
Personas jurídicas CAN_ALTAS TEL_LOC CAN_DDO 79.7 78.5 1.2
Personas físicas Alta anterior MON_ACT 49.9 44.1 5.8
Sin Alta anterior SUC 42.2 27.6 14.6
Personas jurídicas Alta anterior SUC 56.95 9.75 47.2
Sin Alta anterior SO_DDO ACTIVI SUB_ACT 64.8 58.2 6.6
Comerciales Personas físicas TEL_LOC SUB_ACT 51.7 47.9 3.8
Personas jurídicas TEL_LOC SUC ANTIGU 53.1 43.7 9.4
Bullet Personas físicas TEL_LOC CA_OTR 66.5 66.5 0
Personas jurídicas TEL_LOC REGION BB_DECIL 85 82.3 2.7
¡Tuvimos que desarrollar muchos modelos!Desarrollo de los modelos
Velocidad en la
selección de
variables
Bajo costo
comparado con
otras
herramientas
similaresDesarrollo de los modelos
Análisis de altas 3 meses despues de lo pronosticado en Mar 2012
% sobre clientes % sobre altas
Producto Alta >50% Media 20%-50% Baja 0%-20% Alta >50% Media 20%-50% Baja 0%-20%
Bco Pagador 3% 40% 57% 16% 66% 18%
Desc Doc 2% 18% 80% 47% 40% 14%
Leasing 0% 14% 86% 0% 76% 24%
Recaudaciones 0% 21% 79% 4% 71% 25%
Trade 5% 3% 92% 75% 12% 13%
% Sobre el total de clientes % Sobre el total de altas
100% 80%
70%
80% 60%
60% 50%
40%
40% 30%
20% 20%
10%
0% 0%
Alta >50% Media 20%-50% Baja 0%-20% Alta >50% Media 20%-50% Baja 0%-20%Integración con el Front-End
Acciones comerciales
Oportunidades de ventaConclusiones
o Sponsor. Anécdota.
o Maduración de los modelos.
o Funcionalidad de las herramientas vs. practicidad de las
mismas.¿Preguntas?
Muchas Gracias
También puede leer
