Comparación e Interpretación de algoritmos de machine learning para la predicción de conversión de clientes potenciales en el Banco de Bogotá

Fecha

Autor corporativo

Título de la revista

ISSN de la revista

Título del volumen

Editor

Compartir

Altmetric

Resumen

This work focuses on the implementation of a predictive model for Banco de Bogotá, aimed at identifying potential customers with a high probability of becoming active clients. A database containing historical information about the bank's users was utilized, allowing for exploratory analysis and the selection of relevant features. Initially, algorithms such as Random Forest, Support Vector Machines (SVM), and logistic regression were applied; however, the results were not satisfactory. To address this, an ensemble model based on SVM was developed, which handles overfitting using Tomek Links, imputes data with K-Nearest Neighbors (KNN), and selects the most important features through logistic regression. As a result, a more robust final model was achieved, enhancing its predictive capacity, as confirmed by sensitivity and specificity metrics.

Descripción

Este trabajo se enfoca en la implementación de un modelo predictivo para el Banco de Bogotá, con el objetivo de identificar clientes potenciales con alta probabilidad de convertirse en clientes activos. Se utilizó una base de datos con información histórica de los usuarios del banco, lo que permitió realizar un análisis exploratorio y una selección de características relevantes. Inicialmente, se aplicaron algoritmos como Random Forest, máquinas de soporte vectorial (SVM) y regresión logística; sin embargo, los resultados no fueron satisfactorios. Para abordar esto, se desarrolló un modelo de ensamblaje basado en SVM, que maneja el sobreajuste utilizando Tomek Links, imputa datos con K-vecinos próximos (KNN) y selecciona las características más importantes mediante regresión logística. Como resultado, se logró un modelo final más robusto que aumentó su capacidad predictiva, lo que se confirma a través de métricas de sensibilidad y especificidad.

Palabras clave

Modelo predictivo, Machine learning, Adquisición de clientes, Análisis bancario

Materias

Matemáticas -- Tesis y disertaciones académicas , Aprendizaje automático (Inteligencia artificial) , Bancos -- Procesamiento electrónico de datos , Algoritmos (Computadores) , Bancos -- Innovaciones tecnológicas -- Colombia , Bancos -- Servicio al cliente

Citación

Colecciones