Segmentación sociodemografica y financiera de clientes bancarios recién captados

Abstract

El uso de Machine Learning en las instituciones financieras ha aumentado a un ritmo exponencial en la última década. La aplicación de los modelos de Machine Learning abarcan desde la puntuación de crédito hasta el trading algorítmico. Este proyecto demostrará si los modelos de Machine Learning también pueden utilizarse para ayudar en el proceso de toma de decisiones optimizando y eliminando las tareas que consumen tiempo, en concreto, elegir qué clientes potenciales que merece la pena captar. El análisis consistirá en un modelo de agrupación y clasificación. La agrupación se realiza para averiguar qué características tienen los clientes del banco y cuáles de estos grupos son más rentables. Una vez que hayamos identificado qué tipo de clientes son los más rentables, creamos varios modelos de clasificación para ver cuál funciona mejor, para etiquetar correctamente a los clientes potenciales (los que deben ser captados). Por último, se plantean algunas líneas de trabajo para el futuro.

The use of Machine Learning in financial institutions has risen at an exponential rate in the last decade. The application of the Machine Learning models range from credit scoring to algorithmic trading. This project will show whether Machine Learning models can also be used to aide in the decision making process, by optimising and eliminating time consuming tasks, specifically, choosing what potential customers are worth capturing. The analysis will consist of a clustering, and classification model. The clustering is done to figure out what characteristics bank customers have, and which of these groups are more profitable. Once we have identified what type of customers are profitable, we create several classification models, to see which one performs better, to correctly label the potential customer (those who should be captured, and the others). Finally, some future lines of work are discussed to further improve the final project.