Autores:

Daniela Sánchez
Alexis Correa
Andrés Lucero
Diego Ortiz

Maestría:
Programa de Maestría en Sistemas de la Información mención Inteligencia de
Negocios y Analítica de Datos Masivos
Entregable 1
Necesidades, stakeholders y áreas del negocio involucradas
Se establecerán las necesidades detectadas en la organización para llevar a
cabo el proyecto presentado, así como los stakeholders o partes involucradas
en el mismo, ya sean internas o externas y que áreas de negocio están
involucradas.
Actualmente en Banco de Loja existe únicamente una evaluación llevada por el
área de riesgos que filtra a clientes potenciales para una tarjeta de crédito que
cumplen con políticas de riesgo. Sin embargo, una necesidad del área comercial
es poder llegar de mejor manera a esos clientes apalancándose en un modelo de
Machine Learning que permita discriminar a aquellos perfiles cuyas
características demográficas y de crédito estén relacionados con un mayor
porcentaje de aceptación de tarjetas de crédito y luego agruparlos para llegar a
ellos de formas más efectivas. El área Comercial estará directamente
involucrada con esta solución que aportará valor a sus esfuerzos por conseguir
nuevos clientes.
Como lo aseguran Freeman, et al. (2010) es un hecho de la vida empresarial que
las distintas partes interesadas en un proyecto tienen expectativas diferentes
que a menudo se juntan para moverse en la misma dirección de la firma (pp.19).
Para este proyecto hemos identificado que el área de negocio involucrada debe
tener un patrocinio importante para la solución, por ende, el sponsor sería el
gerente comercial.

Alcance del proyecto

Se definirá el alcance que tendrá el proyecto de una forma objetiva y
medible.
Banco de Loja, como muchas otras instituciones financieras, tiene a su
disposición un gran volumen de datos que no se ha explotado del todo.
Desarrollar estrategias para perfilar a diferentes tipos de clientes permitirá
lograr eficiencias y mejores ventas. Para lograr este objetivo es necesario
definir un alcance preciso que pueda ser medido y evaluado. Entonces se
define utilizar una base de clientes analizada previamente por el área de
riesgos que servirá como base para analizar aquellos clientes que tengan más
posibilidades de aceptar una tarjeta de crédito si hay una oferta comercial. En
una segunda etapa se utilizarán técnicas de clustering para agrupar aquellos
clientes con más posibilidad de aceptación en grupos de acuerdo a sus
características similares.
Para lograrlo se utilizarán diferentes variables como las siguientes:
 Demográficas: como edad, género, ingresos, educación, estado civil, etc.
Geográficas: como provincia, ciudad, región, etc.
Financieras: ingresos declarados, gastos declarados, productos en la
institución, origen de ingresos, promedio de consumos, etc.
Según Monge et al. (2019) Estas variables han sido utilizadas en aplicaciones
de segmentación de clientes en la industria financiera. Se realizará un análisis
exploratorio y limpieza de los datos para incluir sólo aquellos registros de
clientes que aporten valor y nos permitan agruparlos de acuerdo a sus
características.
En cuanto al modelo de machine learning elegido es el “random forest” ya
que de acuerdo a Hsin-Hung Wu (2018) este modelo tiene una mayor
precisión y capacidad de detectar las variables clave que determinan la
aceptación comercial de un producto. Además, el algoritmo “random forest”
tiene mejores resultados con nuevos datos que otros algoritmos más
propensos a caer en “overfitting”. Para la fase de clustering se utilizará el
algoritmo de K – means por su buen rendimiento, facilidad de uso y
escalabilidad.
Impacto de negocio
Para este punto hay que establecer que valor se proporciona a la compañía el
hacer este proyecto y que retorno se conseguirá.
El presente proyecto influye directamente en la efectividad de las campañas
ofertadas para tarjetas de crédito y por consiguiente se relacionan los siguientes
beneficios: aumento de tarjetahabientes, disminución del costo de la campaña,
optimización de recursos y aumento del conocimiento del cliente. Todos estos
beneficios se pueden lograr ya que el área de negocios podrá lograr abstraer
perfiles de clientes y crear estrategias de comercialización personalizadas.
En 2022, se evidenció un 9.3% más de consumos realizados a través de tarjetas
de créditos con relación al año pasado en los tarjetahabientes de Bancos
Privados del Ecuador. Estos consumos equivalen a USD 18.639 millones de
nuevos créditos, demostrando la preferencia de los ecuatorianos a emplear este
producto financiero para satisfacer sus necesidades de consumo (Asociación de
Bancos del Ecuador [ASOBANCA], 2023).

Cronograma y planificación
Como parte de la planificación para el desarrollo del tema propuesto, se analizó
que las tareas detalladas a continuación deberán realizarse acorde al
cronograma descrito:
Cada grupo representa una semana, que se identifica con la fecha de inicio y las
columnas incluidas representan los días. Las fechas de estas actividades son un
aproximado de lo que se debe realizar y es posible que en el futuro se revise y
ajuste con el fin de precautelar el cumplimiento de las tareas.

Bibliografía:
FREEMAN, R.E. et al. (2010), “Stake Holder Theory – The state of art” pp. 19.
Asociación de Bancos del Ecuador. (2023). ABC de las Tarjetas de crédito.
https://asobanca.org.ec/abc-de-las-tarjetas-de-credito/
Monge, M., Quesada-López, C., Martínez, A., Jenkins, M. (2021). Data Mining
and Machine Learning Techniques for Bank Customers Segmentation: A
Systematic Mapping Study. In: Arai, K., Kapoor, S., Bhatia, R. (eds) Intelligent
Systems and Applications. IntelliSys 2020. Advances in Intelligent Systems and
Computing, vol 1251. Springer, Cham.
Wu, H.-H., Wei, C.-C., & Wu, Y.-L. (2018). Predicting commercial acceptance of
new products with a multi-algorithm ensemble method. Expert Systems with
Applications, 102, 290-303. doi: 10.1016/j.eswa.2018.02.023