Sistema de Recomendación de Productos Bancarios utilizando Técnicas de Machine Learning y Deep Learning

Abstract

En este proyecto, se aborda el desafío de construir un modelo recomendador de productos bancarios utilizando técnicas de Machine Learning y Deep Learning. El objetivo principal es proporcionar recomendaciones personalizadas y relevantes a los clientes, teniendo en cuenta su perfil y necesidades individuales. Para ello, se recopilan y analizan datos relevantes como historiales de transacciones y perfiles de clientes. Se exploran diferentes algoritmos y técnicas de recomendación, incluyendo en primer lugar un modelo híbrido que modela la tenencia de productos independientemente a través de modelos XGBoost de predicción binaria, y en segundo lugar un filtrado colaborativo basado en modelos utilizando Keras y redes neuronales: Generalized Matrix Factorization (GMF) y Neural Matrix Factorization (NMF). Se evalúa el rendimiento del recomendador mediante el MapK@3, MapK@5, MapK@7 y MapK@9. En el proceso de desarrollo del modelo hibrido se tuvo la limitación de falta de datos en muchos productos con tasa de adquisiciones bastante bajas, por lo cual se limitó la recomendación basada en este método a tan solo productos con datos suficientes. Los resultados de los modelos construidos se comparan contra una recomendación base de recomendar los K productos más populares a todos los usuarios. A pesar de que los modelos binarios XGBoost que forman parte del ensamble del modelo híbrido obtienen resultados favorables, el ensamble tan solo es capaz de mejorar ligeramente la recomendación base. Por otro lado, al analizar las predicciones de las interacciones segregadas por productos, los modelos GMF y NMF obtienen buenos resultados de recall pero malos de precisión, es decir, el coste de reducir los falsos negativos, fue obtener una tasa elevada de falsos positivos. Sin embargo, logran mejorar los valores de MapK del modelo base en mayor medida que el modelo hibrido. En conclusión, la recomendacion de productos utilizando técnicas de Machine Learning y Deep Learning puede ser estratégico para las entidades financieras al mejorar la satisfacción del cliente. Se enfatiza la importancia de la recopilación de datos relevantes, la exploración de diferentes algoritmos y la selección de modelos eficientes.

In this project, we address the challenge of building a recommender system for banking products using Machine Learning and Deep Learning techniques. The main objective is to provide personalized and relevant recommendations to customers, taking into account their individual profiles and needs. To achieve this, relevant data such as transaction histories and customer profiles are collected and analyzed. Different recommendation algorithms and techniques are explored, including a hybrid model that models product holdings for each product independently using XGBoost binary prediction models, and a collaborative filtering models using Keras and neural networks: Generalized Matrix Factorization (GMF) and Neural Matrix Factorization (NMF). The performance of the recommender is evaluated using MapK@3, MapK@5, MapK@7, and MapK@9. During the development process of the hybrid model, there was a limitation of insufficient data for many products with low acquisition rates. Therefore, the recommendation based on this method was limited to only products with sufficient data. The results of the constructed models are compared against a baseline recommendation: recommending the K most popular products to all users. Although the binary XGBoost models that are part of the ensemble of the hybrid model obtained favorable results, the ensemble or recommendation system can only slightly improve upon the baseline recommendation. On the other hand, when analyzing the predictions of the interactions segregated by products, the GMF and NMF models achieve good recall but poor precision, meaning that they minimized the amount of false negative at the cost of having a high rate of false positives. However, they managed to improve the MapK values of the baseline model to a greater extent than the hybrid model. In conclusion, the development of a recommender system for banking products using Machine Learning and Deep Learning techniques can be strategic for financial institutions by improving customer satisfaction. The importance of collecting relevant data, exploring different algorithms, and selecting efficient models is emphasized.