Machine Learning con Spark para identificar clientes con desembolso en campañas de consumo para una entidad financiera

• Autor: Alvarez Chancasanampa, Julio César
• Formato: tesis de maestría
• Fecha de Publicación: 2024
• Institución: Universidad Ricardo Palma
• Repositorio: URP-Tesis
• Lenguaje: español
• OAI Identifier: oai:repositorio.urp.edu.pe:20.500.14138/8906
• Enlace del recurso: https://hdl.handle.net/20.500.14138/8906
• Nivel de acceso: acceso embargado
• Materia: Instituciones financieras -- Marketing; Aprendizaje automático (Inteligencia artificial); Programas para clientes frecuentes; https://purl.org/pe-repo/ocde/ford#1.02.00

La presente investigación, tiene como objetivo general determinar usando los algoritmos de machine learning con Spark a clientes potenciales más propensos a aceptar un producto financiero consumo, a quienes se les otorgará préstamos en las ofertas de campaña de una entidad financiera, con los algoritmos de aprendizaje supervisado de machine learning: Gbm (gradient boosting machine), Random Forest y Árbol de Decisión. La evaluación se realizó comparando los modelos individuales de Gbm, Árbol de Decisión y Random Forest. Para dicha evaluación se usaron los indicadores Auc, Gini y Kolmogorov. Evaluando el train, los resultados de sensibilidad en orden de importancia, se obtuvieron con los algoritmos: Gbm 89.0%, seguido del Random Forest con 84.0% y por último el Árbol de Decisión con un 82.0%. Mientras, que al evaluar la especificidad el de mayor importancia fue el modelo de Gbm 88.0%, seguido del Árbol de Decisión con 88.0% y por último el Random Forest con 87.0%. Respecto a los indicadores evaluados, el que presentó mayor Auc es el método Gbm 0.96, seguido de Random Forest con un 0.92 y Árbol de Decisión 0.9. Con respecto al indicador Gini, el que tiene mayor Gini es el método de Gbm con 0.92, seguido de Random Forest con un 0.84 y en última posición el Árbol de Decisión con 0.8. Finalmente, con respecto al indicador Kolmogorov, el que tiene mejor resultado es el algoritmo Gbm con 0.81, seguido por Random Forest con 0.73 y por último Árbol de Decisión con 0.71. A la vez describe la arquitectura que esta usando la entidad financiera