Aplicación de machine learning para campañas de marketing en la banca comercial

DOI: https://doi.org/10.26439/interfases2022.n016.5953
Palabras clave: banca, marketing, depósitos a plazo fijo, aprendizaje automático, algoritmos de clasificación

Resumen

Los bancos usan el telemarketing para contactar directamente con los clientes potenciales para sus productos. Este canal de venta es complejo, pues requiere de grandes bases de datos de posibles prospectos y está sujeto a restricciones de tiempo y personal. Este artículo tiene tres objetivos: comparar cinco modelos de predicción basados en algoritmos de aprendizaje automático para encontrar el que ofrezca la mejor precisión predictiva; desplegar un piloto de este modelo; y recomendar una hoja de ruta para la futura arquitectura que lo soporte. Se encontró que el algoritmo seleccionado mejora considerablemente la eficacia de la identificación de clientes que aceptan el producto, que pasó de 11 % a 94 %, por lo que su implementación puede contribuir a la competitividad de estas organizaciones.

Descargas

La descarga de datos todavía no está disponible.

Citas

Arango Serna, M. D., Londoño Salazar, J. E., & Zapata Cortés, J. A. (2010). Arquitectura empresarial: una visión general. Revista Ingenierías Universidad de Medellín, 9(16), 101-111.

Asha, R. B., & Kumar, K. R. (2021). Credit card fraud detection using artificial neural network. Global Transitions Proceedings, 2(1), 35-41. https://doi.org/10.1016/j.gltp.2021.01.006

Berrar, D. (2018). Bayes’ theorem and naive Bayes classifier. En Encyclopedia of bioinformatics and computational biology: ABC of bioinformatics (vol. 1, pp. 403-412). Elsevier. https://doi.org/10.1016/B978-0-12-809633-8.20473-1

Data Science Team. (2019). XGBoost. ¿Qué es? https://Datascience.Eu/Es/Programacion/Xgboost-4/

Dutta, S., Bose, P., Goyal, V., & Bandyopadhyay, S. K. (2021). Applying convolutional-GRU for term deposit likelihood prediction. International Journal of Engineering and Management Research, 11(3), 265-272. https://doi.org/10.20944/preprints202007.0101.v1

Goethals, F. G., Snoeck, M., Lemahieu, W., & Vandenbulcke, J. (2006). Management and enterprise architecture click: The FAD(E)E framework. Information Systems Frontiers, 8(2), 67-79. https://doi.org/10.1007/s10796-006-7971-1

Martínez Heras, J. (2020, 9 de octubre). Precision, recall, F1, accuracy en clasificación. IArtificial.net. https://www.iartificial.net/precision-recall-f1-accuracy-en-clasificacion/

Lankhorst, M. (2005). Enterprise architecture at work. Modelling, communication and analysis. Springer.

Miloslavskaya, N., & Tolstoy, A. (2016). Big data, fast data and data lake concepts. Procedia Computer Science, 88, 300-305. https://doi.org/10.1016/j.procs.2016.07.439

Moro, S., Laureano, R., & Cortez, P. (2011). Using data mining for bank direct marketing: An application of the CRISP-DM methodology. En P. Novais, J. Machado, C. Analide & A. Abelha (Ed.), ESM’2011. The 2011 European Simulation and Modelling Conference (pp. 117-121). EUROSIS.

Murty, M. N., & Devi, V. S. (2011). Pattern recognition an algorithmic approach. Springer.

Riedmiller, M., & Braun, H. (1993). A direct adaptive method for faster backpropagation learning: The RPROP algorithm. En IEEE International Conference on Neural Networks (vol. 1, pp. 586-591). DOI: 10.1109/ICNN.1993.298623

Rokach, L. (2016). Decision forest: Twenty years of research. Information Fusion, 27, 111-125. https://doi.org/10.1016/j.inffus.2015.06.005

Saleem, F., & Fakieh, B. (2020). Enterprise architecture and organizational benefits: A case study. Sustainability, 12(19), 8237. https://doi.org/10.3390/su12198237

Singh, A. (2018, 18 de junio). A comprehensive guide to ensemble learning. Analytics Vidhya. https://www.Analyticsvidhya.Com/Blog/2018/06/Comprehensive-Guide-for-Ensemble-Models/.

Zhang, C., Zhang, H., & Hu, X. (2019). A contrastive study of machine learning on funding evaluation prediction. IEEE Access, 7, 106307-106315. https://doi.org/10.1109/ACCESS.2019.2927517

Publicado
2022-12-23
Cómo citar
Rosales Reyes, G. T., Gutierrez Coral, X. A., & Hayashida Marchinares, A. E. (2022). Aplicación de machine learning para campañas de marketing en la banca comercial. Interfases, 16(016), 187-200. https://doi.org/10.26439/interfases2022.n016.5953
Número
Núm. 016 (2022)
Sección
Artículos de investigación

Derechos de autor 2022 Interfases

Creative Commons License
Esta obra está bajo licencia internacional Creative Commons Reconocimiento 4.0.

Los autores/as que publiquen en esta revista aceptan las siguientes condiciones:

Los autores/as conservan los derechos de autor y ceden a la revista el derecho de la primera publicación, con el trabajo registrado con la licencia de atribución de Creative Commons, que permite a terceros utilizar lo publicado siempre que mencionen la autoría del trabajo y a la primera publicación en esta revista.

Los autores/as pueden realizar otros acuerdos contractuales independientes y adicionales para la distribución no exclusiva de la versión del artículo publicado en esta revista (p. ej., incluirlo en un repositorio institucional o publicarlo en un libro) siempre que indiquen claramente que el trabajo se publicó por primera vez en esta revista.

Se permite y recomienda a los autores/as a publicar su trabajo en Internet (por ejemplo en páginas institucionales o personales) antes y durante el proceso de revisión y publicación, ya que puede conducir a intercambios productivos y a una mayor y más rápida difusión del trabajo publicado (vea The Effect of Open Access).

Última actualización: 03/05/21