Predicción de patrimonio para clientes bancarios: un enfoque a través del aprendizaje automático (Machine Learning)

Abstract

Esta tesis examina la importancia de la segmentación avanzada de clientes en el sector financiero mediante técnicas de Machine Learning. Este estudio se centra en el contexto colombiano, utilizando una base de datos de declaraciones de renta anonimizadas, para predecir el patrimonio de los usuarios y mejorar así la segmentación de clientes. Se emplearon diversos algoritmos de ML, incluyendo métodos de ensamble como Potenciación del Gradiente, Arboles de decisión, Bosques Aleatorios y K-Vecinos Más Cercanos, así como técnicas de clasificación y regresión. Se encontró que, aunque los modelos de regresión tendían a sobreestimar patrimonios bajos y subestimar los altos, la clasificación de patrimonios en cuatro categorías usando el algoritmo de Potenciación del Gradiente por Histogramas resultó ser el método más eficiente. Los resultados destacan la eficacia de los algoritmos de ensamble y la importancia de la calidad y cantidad de datos en la predicción del patrimonio. Se concluye que la mejor estrategia para la segmentación de clientes bancarios basada en el patrimonio es una clasificación aproximada en cuatro categorías, lo que permite un equilibrio entre precisión y minimización de errores críticos como la sobreestimación de patrimonios.