Enriqueciendo el Ciclo de vida de los clientes en Banca

HiRes-300x300Mucho se habla sobre lo potente que es entender al cliente desde el punto de vista  de su posición en su ciclo de vida.  Es obvio que hay grandes diferencias en los patrones de consumo de solteros/casados, con/sin hijos, mayores/jóvenes, pobres/ricos, etc. y sus múltiples combinaciones, sin embargo, recabar la información necesaria para saber de forma más o menos precisa en qué punto de su ciclo de vida se encuentra un individuo no es trivial.  Solo unas pocas industrias tienen el privilegio de poseer información suficientemente completa para determinarlo, una de ellas es la banca.

Si aceptamos la definición arbitraria de que la cercanía de un cliente se refleja en cuánto de su ingreso mensual es utilizado a través del banco (gasto, ahorro, inversión, etc), sabremos a través del indicador (uso-gasto/ingreso declarado[1]) cuán representativa es la información relativa a su comportamiento de consumo, que asumimos, está directamente relacionado con posición en su ciclo de vida.



shutterstock_92815729Una vez estimados los clientes con mayor cercanía al banco (en términos de uso claro) podemos realizar una segmentación de sus tipos de consumo basándonos en los tipos de locales donde compran (diversión, comida, transporte, etc), en los horarios que realizan dichas compras, los tipos de transferencias que realizan, su tenencia de productos, edad, estado civil, etc.  Tanto IBM SPSS MODELER como IBM SPSS STATISTICS poseen variadas técnicas de segmentación (Kohonen, k-medias, bi-etápico), cuya elección, dependerá del modo de registro de los datos disponibles, de las preferencias del data scientist encargado de la construcción de los modelos de segmentación y principalmente, del uso que se le vaya a dar a la información generada

Les dejamos algunos links relacionados con este tema. Que los disfruten

1.- Data Scientist

2.- K-Medias

3.- Bi-etápico

4.- Segmentación según tipos de consumo

5.- Kohonen 

 


[1] En caso de no contar con información reciente o confiable de los ingresos de un cliente se sugiere utilizar los módulos de regresión de IBM SPSS STATISTICS o IBM SPSS MODELER para estimar un modelo de ingresos basado en las transacciones de tarjeta de crédito y débito.  Se debe ser cuidadoso al elegir sobre qué clientes se entrena el modelo.

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *