Mejora de retención de clientes para el banco

"Este proyecto aborda la necesidad crítica del Banco Ciudad de anticipar el abandono de clientes (churn) en su segmento de clientela general de individuos. Actualmente, la entidad enfrenta una tasa de churn anual estimada del 20,8% (aproximadamente 172.041 clientes), lo que implica una pérdida...

Descripción completa

Guardado en:
Detalles Bibliográficos
Autores principales: Dominguez, Manuel, Fisher Jantus, Margarita, Venutolo, Agustín
Formato: Proyecto final de grado
Lenguaje:Español
Publicado: Instituto Tecnológico de Buenos Aires (ITBA) 2026
Materias:
Churn, Banco DATA, MACHINE LEARNING, AI, CHURN, BANCO, BANCO CIUDAD, INTELIGENCIA ARTIFICIAL
Acceso en línea:https://hdl.handle.net/20.500.14769/5248
Aporte de:
Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA) de Instituto Tecnológico de Buenos Aires (ITBA)
id I32-R138-20.500.14769-5248
record_format dspace
spelling I32-R138-20.500.14769-52482026-02-25T07:03:37Z Mejora de retención de clientes para el banco Dominguez, Manuel Fisher Jantus, Margarita Venutolo, Agustín Churn, Banco DATA, MACHINE LEARNING, AI, CHURN, BANCO, BANCO CIUDAD, INTELIGENCIA ARTIFICIAL "Este proyecto aborda la necesidad crítica del Banco Ciudad de anticipar el abandono de clientes (churn) en su segmento de clientela general de individuos. Actualmente, la entidad enfrenta una tasa de churn anual estimada del 20,8% (aproximadamente 172.041 clientes), lo que implica una pérdida económica anual cercana a los $115.324 millones de ARS. La solución se basó en el desarrollo de un modelo predictivo de churn utilizando la metodología de cosechas temporales (snapshots) sobre datos de septiembre 2024 a septiembre 2025. El Análisis Exploratorio de Datos identificó que la mayor propensión al abandono se da en clientes jóvenes (menores de 24 años), en el subsegmento BUEPP y en aquellos sin acceso a Home Banking. Las variables con mayor peso predictivo se relacionaron con la actividad transaccional, los saldos en caja de ahorro y la antigüedad del cliente. El modelo ganador fue un XGBoost, validado Out-of-Time (OOT), que alcanzó un ROC-AUC de 0,87 y un estadístico KS de 55,72. La efectividad se demostró con un Lift de 9 al intervenir en el top 5% de clientes con mayor probabilidad de abandono, logrando capturar el 45% de los clientes que efectivamente harían churn. La implementación del modelo permite al banco priorizar campañas de retención con gran eficiencia, proyectando un beneficio económico mensual de hasta 249 millones de ARS en el escenario optimista, y recuperando la inversión total del proyecto (55 millones de ARS) en el primer mes de operación, con un ROI anual del 772% en el escenario conservador." 2026-02-24T15:55:39Z 2026-02-24T15:55:39Z 2026-02-10 Proyecto final de grado https://hdl.handle.net/20.500.14769/5248 es application/pdf Instituto Tecnológico de Buenos Aires (ITBA)
institution Instituto Tecnológico de Buenos Aires (ITBA)
institution_str I-32
repository_str R-138
collection Repositorio Institucional Instituto Tecnológico de Buenos Aires (ITBA)
language Español
topic Churn, Banco DATA, MACHINE LEARNING, AI, CHURN, BANCO, BANCO CIUDAD, INTELIGENCIA ARTIFICIAL
spellingShingle Churn, Banco DATA, MACHINE LEARNING, AI, CHURN, BANCO, BANCO CIUDAD, INTELIGENCIA ARTIFICIAL
Dominguez, Manuel
Fisher Jantus, Margarita
Venutolo, Agustín
Mejora de retención de clientes para el banco
topic_facet Churn, Banco DATA, MACHINE LEARNING, AI, CHURN, BANCO, BANCO CIUDAD, INTELIGENCIA ARTIFICIAL
description "Este proyecto aborda la necesidad crítica del Banco Ciudad de anticipar el abandono de clientes (churn) en su segmento de clientela general de individuos. Actualmente, la entidad enfrenta una tasa de churn anual estimada del 20,8% (aproximadamente 172.041 clientes), lo que implica una pérdida económica anual cercana a los $115.324 millones de ARS. La solución se basó en el desarrollo de un modelo predictivo de churn utilizando la metodología de cosechas temporales (snapshots) sobre datos de septiembre 2024 a septiembre 2025. El Análisis Exploratorio de Datos identificó que la mayor propensión al abandono se da en clientes jóvenes (menores de 24 años), en el subsegmento BUEPP y en aquellos sin acceso a Home Banking. Las variables con mayor peso predictivo se relacionaron con la actividad transaccional, los saldos en caja de ahorro y la antigüedad del cliente. El modelo ganador fue un XGBoost, validado Out-of-Time (OOT), que alcanzó un ROC-AUC de 0,87 y un estadístico KS de 55,72. La efectividad se demostró con un Lift de 9 al intervenir en el top 5% de clientes con mayor probabilidad de abandono, logrando capturar el 45% de los clientes que efectivamente harían churn. La implementación del modelo permite al banco priorizar campañas de retención con gran eficiencia, proyectando un beneficio económico mensual de hasta 249 millones de ARS en el escenario optimista, y recuperando la inversión total del proyecto (55 millones de ARS) en el primer mes de operación, con un ROI anual del 772% en el escenario conservador."
format Proyecto final de grado
author Dominguez, Manuel
Fisher Jantus, Margarita
Venutolo, Agustín
author_facet Dominguez, Manuel
Fisher Jantus, Margarita
Venutolo, Agustín
author_sort Dominguez, Manuel
title Mejora de retención de clientes para el banco
title_short Mejora de retención de clientes para el banco
title_full Mejora de retención de clientes para el banco
title_fullStr Mejora de retención de clientes para el banco
title_full_unstemmed Mejora de retención de clientes para el banco
title_sort mejora de retención de clientes para el banco
publisher Instituto Tecnológico de Buenos Aires (ITBA)
publishDate 2026
url https://hdl.handle.net/20.500.14769/5248
work_keys_str_mv AT dominguezmanuel mejoraderetenciondeclientesparaelbanco
AT fisherjantusmargarita mejoraderetenciondeclientesparaelbanco
AT venutoloagustin mejoraderetenciondeclientesparaelbanco
_version_ 1865139152933093376

Ejemplares similares