Esta diapositiva presenta un modelo predictivo de clasificación de clientes enfocado en el análisis de churn. El subtítulo destaca estrategias y técnicas para retener clientes.

Modelo Predictivo de Clasificación de Clientes: Análisis de Churn

Estrategias y técnicas para retener clientes.

Source: Banco Nacional de Panamá y Gobierno de Datos

Esta diapositiva muestra el índice de la presentación con cinco secciones principales. Los temas incluyen: 1. Introducción y Objetivos, 2. Modelo Predictivo, 3. Motivación del Análisis, 4. Datos y Variables, y 5. Metodología y Entrenamiento.

Índice

1. 1. Introducción y Objetivos
2. 2. Modelo Predictivo
3. 3. Motivación del Análisis
4. 4. Datos y Variables
5. 5. Metodología y Entrenamiento

Source: Banco Nacional de Panamá y Gobierno de Datos

El slide introduce objetivos para reducir el churn de clientes en BNP, mediante el desarrollo de un modelo predictivo de riesgo de abandono e identificación de estrategias de retención. El fin principal es mejorar la lealtad del cliente.

Introducción y Objetivos

• Reducir el churn de clientes en BNP.
• Desarrollar modelo predictivo para clasificar riesgo de abandono.
• Identificar estrategias de retención.
• Objetivo: Mejorar la lealtad del cliente.

El modelo predictivo de clasificación tiene como objetivo prever el churn de clientes retail del BNP mediante Machine Learning. Actualmente, se registra un 15% de churn anual, generando pérdidas de $X MM.

Modelo Predictivo de Clasificación

• Objetivo: Predecir churn con Machine Learning.
• Alcance: Clientes retail del BNP.
• Situación actual: 15% churn anual.
• Impacto: Pérdidas de $X MM anuales.

El análisis se motiva por el alto costo de adquisición de clientes frente a la retención, que impacta directamente en ingresos recurrentes y LTV. Además, la feroz competencia bancaria se complementa con abundantes datos para un ML efectivo en churn.

Motivación del Análisis

• Costo de adquisición significativamente mayor que retención de clientes.
• Retención impacta directamente en ingresos recurrentes y LTV.
• Competencia feroz en el sector bancario.
• Abundantes datos disponibles para ML efectivo en churn.

La diapositiva muestra una tabla con variables clave como Edad, Uso App, Churn, Tenure y Transacciones, junto a su tipo (Num, Cat, Bin) y fuente (CRM, Transacciones, No pago 3+ meses). Esta sección describe la metodología de datos y variables utilizadas en el análisis.

Datos y Variables / Metodología

{ "headers": [ "Variable", "Tipo", "Fuente" ], "rows": [ [ "Edad", "Num", "CRM" ], [ "Uso App", "Cat", "Transacciones" ], [ "Churn", "Bin", "No pago 3+ meses" ], [ "Tenure", "Num", "CRM" ], [ "Transacciones", "Num", "Transacciones" ] ] }

Source: CRM, Transacciones