Optimización de las campañas de marketing en la industria financiera: un enfoque basado en machine learning

• Autor: Mori Orrillo, Edmundo de Elvira
• Formato: tesis de maestría
• Fecha de Publicación: 2022
• Institución: Universidad Nacional de Ingeniería
• Repositorio: UNI-Tesis
• Lenguaje: español
• OAI Identifier: oai:cybertesis.uni.edu.pe:20.500.14076/26917
• Enlace del recurso: http://hdl.handle.net/20.500.14076/26917
• Nivel de acceso: acceso abierto
• Materia: Marketing; Finanzas; Machine learning; https://purl.org/pe-repo/ocde/ford#1.02.01

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.