Ítem
Acceso Abierto

Sistema de recomendación de productos financieros : una aplicación empírica en banca de consumo

Mostrar el registro sencillo de la publicación
dc.contributor.advisorGallego Durán, Jorge Andrés
dc.creatorZapata Sanabria, Daniel Ricardo
dc.creator.degreeMagíster en Economíaspa
dc.creator.degreetypeFull timespa
dc.date.accessioned2019-07-29T18:06:37Z
dc.date.available2019-07-29T18:06:37Z
dc.date.created2019-06-17
dc.date.issued2019
dc.descriptionEl objetivo de este documento es generar recomendaciones de productos de forma personalizada a los clientes y a su vez campañas comerciales enfocadas en los distintos productos de banca de consumo. Para esto se desarrolla y aplica un sistema de recomendación de productos adecuado a las necesidades prácticas de la banca de consumo. Dicho sistema se encuentra compuesto por un conjunto de modelos de propensión de productos financieros que predice para cada cliente a dos meses los productos más probables a ser adquiridos. De esta forma, el sistema permite desarrollar dos tipos de campañas comerciales: específicas para cada producto o para cada cliente. En las primeras, se busca encontrar a los clientes con mayor propensión de adquirir un producto determinado, mientras que, en las segundas, se quiere encontrar los productos más propensos a ser adquiridos. La aplicabilidad del sistema fue puesta a prueba en una entidad de banca de consumo colombiana. Como resultado, el sistema muestra un alto desempeño de predicción en todos sus productos dadas las restricciones empíricas: un AUC promedio del 87% en la predicción sobre el mes de pruebas para los ocho productos analizados, alta exhaustividad y baja precisión, dándole importancia a la captura del total de clientes que efectivamente van a adquirir el producto ofrecido y un desempeño superior en el MAP@K comparado con el modelo base de K productos populares. Los resultados son acordes a las necesidades de la entidad desde una perspectiva de aplicación al negocio de banca de consumo, a pesar de que las métricas obtenidas no son comparadas con otros modelos más avanzados que el K populares.spa
dc.format.mimetypeapplication/pdf
dc.identifier.doihttps://doi.org/10.48713/10336_20011
dc.identifier.urihttp://repository.urosario.edu.co/handle/10336/20011
dc.language.isospa
dc.publisherUniversidad del Rosariospa
dc.publisher.departmentFacultad de Economíaspa
dc.publisher.programMaestría en Economíaspa
dc.rightsAtribución-NoComercial-SinDerivadas 2.5 Colombiaspa
dc.rights.accesRightsinfo:eu-repo/semantics/openAccess
dc.rights.accesoAbierto (Texto Completo)spa
dc.rights.licenciaEL AUTOR, manifiesta que la obra objeto de la presente autorización es original y la realizó sin violar o usurpar derechos de autor de terceros, por lo tanto la obra es de exclusiva autoría y tiene la titularidad sobre la misma. PARGRAFO: En caso de presentarse cualquier reclamación o acción por parte de un tercero en cuanto a los derechos de autor sobre la obra en cuestión, EL AUTOR, asumirá toda la responsabilidad, y saldrá en defensa de los derechos aquí autorizados; para todos los efectos la universidad actúa como un tercero de buena fe. EL AUTOR, autoriza a LA UNIVERSIDAD DEL ROSARIO, para que en los términos establecidos en la Ley 23 de 1982, Ley 44 de 1993, Decisión andina 351 de 1993, Decreto 460 de 1995 y demás normas generales sobre la materia, utilice y use la obra objeto de la presente autorización. -------------------------------------- POLITICA DE TRATAMIENTO DE DATOS PERSONALES. Declaro que autorizo previa y de forma informada el tratamiento de mis datos personales por parte de LA UNIVERSIDAD DEL ROSARIO para fines académicos y en aplicación de convenios con terceros o servicios conexos con actividades propias de la academia, con estricto cumplimiento de los principios de ley. Para el correcto ejercicio de mi derecho de habeas data cuento con la cuenta de correo habeasdata@urosario.edu.co, donde previa identificación podré solicitar la consulta, corrección y supresión de mis datos.spa
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/2.5/co/
dc.source.bibliographicCitationBanco Santander. (2016). Santander bank product recommendation competition. Descargado de https://www.kaggle.com/c/santander-product-recommendationspa
dc.source.bibliographicCitationBennett, J., y Lanning, S. (2007). The Netflix Prize. , 3–6.spa
dc.source.bibliographicCitationBiecek, P. (2018). Dalex: Explainers for complex predictive models in r. Journal of Machine Learning Research, 19(84), 1-5. Descargado de http://jmlr.org/papers/ v19/18-416.htmlspa
dc.source.bibliographicCitationChen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., . . . Li, Y. (2018). xgboost: Extreme gradient boosting [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=xgboost (R package version 0.71.2)spa
dc.source.bibliographicCitationCheng, H., Lu, Y.-c., y Sheu, C. (2009). Expert Systems with Applications An ontologybased business intelligence application in a financial knowledge management system. Expert Systems With Applications, 36(2), 3614–3622. Descargado de http:// dx.doi.org/10.1016/j.eswa.2008.02.047 doi: 10.1016/j.eswa.2008.02.047spa
dc.source.bibliographicCitationChirkin, a, Aleksandra. Diskin, D. R. (2018). A Recommender System for Private Banking. Descargado de https://www.incubegroup.com/blog/recommender -system-for-private-banking/spa
dc.source.bibliographicCitationChoudhary, A., y Goila, T. (2019). CAN NEXT BEST PRODUCT OFFERING HELP BANKS BOOST CUSTOMER LOYALTY ? Can Next Best Product Offering Help Banks Boost Customer Loyalty ?spa
dc.source.bibliographicCitationCremonesi, P., Milano, P., Koren, Y., y Turrin, R. (2015). Performance of Recommender Algorithms on Top-N Recommendation Tasks Categories and Subject Descriptors. (September). doi: 10.1145/1864708.1864721spa
dc.source.bibliographicCitationFriedman, J., Hastie, T., y Tibshirani, R. (2001). The elements of statistical learning (Vol. 1) (n.o 10). Springer series in statistics New York.spa
dc.source.bibliographicCitationGigli, A., Filopanti, V. Q., y Regoli, D. (2017). Recommender Systems for Banking and Financial Services. , 5–6.spa
dc.source.bibliographicCitationGoldbloom, Anthony. (2019). Kaggle. Descargado de https://www.kaggle.com/spa
dc.source.bibliographicCitationGoogle developers. (2019). Classification: ROC Curve and AUC. Descargado de https://developers.google.com/machine-learning/crash-course/ classification/roc-and-aucspa
dc.source.bibliographicCitationGorgoglione, M., y Panniello, U. (2011). Beyond Customer Churn : Generating Personalized Actions to Retain Customers in a Retail Bank by a Recommender System Approach. , 2011(May), 90–102. doi: 10.4236/jilsa.2011.32011spa
dc.source.bibliographicCitationHu, Y., Koren, Y., y Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. En Data mining, 2008. icdm’08. eighth ieee international conference on (pp. 263–272).spa
dc.source.bibliographicCitationKatsov, I. (2018). Introduction to Algoritmic Marketing. Grid Dynamics.spa
dc.source.bibliographicCitationKishida, K. (2005). Property of Average Precision and its Generalization : An Examination of Evaluation Indicator for Information Retrieval Experiments Property of Average Precision and its Generalization : An Examination of Evaluation Indicator for Information Retrieval Experiments.spa
dc.source.bibliographicCitationKnott, A., y Neslin, S. A. (2002). Next-product-to-buy models for cross-selling applications. , 16(3), 59–75. doi: 10.1002/dir.10038spa
dc.source.bibliographicCitationLeDell, E., Gill, N., Aiello, S., Fu, A., Candel, A., Click, C., . . . Malohlava, M. (2019). h2o: R interface for ’h2o’ [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=h2o (R package version 3.22.1.1)spa
dc.source.bibliographicCitationLinden, G., Smith, B., y York, J. (2003). Amazon . com. (February).spa
dc.source.bibliographicCitationModeling, U., y Burke, R. (2014). Hybrid Recommender Systems : Survey and Experiments Hybrid Recommender Systems :. (November). doi: 10.1023/Aspa
dc.source.bibliographicCitationMolnar, C., y cols. (2018). Interpretable machine learning: A guide for making black box models explainable. Christoph Molnar, Leanpub.spa
dc.source.bibliographicCitationPazzani, M. J., y Billsus, D. (2007). Content-Based Recommendation Systems. , 325–341.spa
dc.source.bibliographicCitationPryor, A. (2016). Santander Product Recommendation Competition Solution. Descargado de http://alanpryorjr.com/2016-12-19-Kaggle-Competition-Santander -Solution/spa
dc.source.bibliographicCitationR Core Team. (2017). R: A language and environment for statistical computing. Descargado de https://www.R-project.org/spa
dc.source.bibliographicCitationRicci, F., Rokach, L., y Shapira, B. (2011). Introduction to Recommender Systems Handbook. Springer Science + usiness Media. doi: 10.1007/978-0-387-85820-3spa
dc.source.bibliographicCitationRifkin, R., y Klautau, A. (2004). In defense of one-vs-all classification. Journal of machine learning research, 5(Jan), 101–141.spa
dc.source.bibliographicCitationSarwar, B., Karypis, G., Konstan, J., y Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. En Proceedings of the 10th international conference on world wide web (pp. 285–295).spa
dc.source.bibliographicCitationVan de Wiele, T. (2016). Santander Product Recommendation. Descargado de https://ttvand.github.io/Second-place-in-the-Santander-product -Recommendation-Kaggle-competition/spa
dc.source.bibliographicCitationVico, D. G., y Huecas, G. (2012). Generating Context-aware Recommendations using Banking Data in a Mobile Recommender System. (c), 73–78.spa
dc.source.bibliographicCitationZibriczky, D. (2016). Recommender systems meet finance: a literature review.spa
dc.source.instnameinstname:Universidad del Rosariospa
dc.source.reponamereponame:Repositorio Institucional EdocURspa
dc.subjectSistemas de recomendaciónspa
dc.subjectPersonalizaciónspa
dc.subjectModelos predictivosspa
dc.subjectBanca de consumospa
dc.subject.ddcEconomía financieraspa
dc.subject.lembSistemas de recomendaciónspa
dc.subject.lembPrediccionesspa
dc.subject.lembServicios bancariosspa
dc.subject.lembComportamiento del consumidorspa
dc.titleSistema de recomendación de productos financieros : una aplicación empírica en banca de consumospa
dc.typemasterThesiseng
dc.type.documentAnálisis de casospa
dc.type.hasVersioninfo:eu-repo/semantics/acceptedVersion
dc.type.spaTesis de maestríaspa
Archivos
Bloque original
Mostrando1 - 1 de 1
Miniatura
Nombre:
ZapataSanabria-DanielRicardo-2019.pdf
Tamaño:
2.1 MB
Formato:
Adobe Portable Document Format
Descripción:
Descargar
Colecciones
Maestría en Economía