Clustering Para Segmentación Y Scoring

Transcript

Clustering par para Segmentación y Scoring Marcelo Ferreyra  – Esteban Ricagno VIII Jornadas de Data Mining & Business Intelligence Intelligence Universidad Austral - Temas 2  Segmentos  Beneficios de segmentar una cartera  Tipos de segmentación  Perfil de los segmentos  Clusters para Scoring  Ejemplos con datos reales www.dataxplore.com.ar 25/10/2013 Segmentos 3 Una segmentación divide una cartera de clientes en grupos donde los clientes dentro de un segmento son similares y los que están en distintos segmentos son diferentes www.dataxplore.com.ar 25/10/2013 Segmentos 4 Beneficios    Permite ver a los clientes desde una perspectiva global Habilita distintas estrategias de comunicación según el segmento al que dirigirse Transmite a toda la organización la idea de que no todos los clientes son iguales www.dataxplore.com.ar 25/10/2013 Segmentos 5 Tipos de Segmentación   Dirigida (Supervisada) – Se eligen las variables y los rangos para separar la cartera en segmentos No dirigida (No supervisada) – Un algoritmo encuentra automáticamente los segmentos www.dataxplore.com.ar 25/10/2013 Segmentos basados en clusters 6 Si la segmentación se realiza con clusters encontrados automáticamente, debe descubrirse:   Qué distingue a los segmentos Qué tienen en común los clientes de un mismo segmento www.dataxplore.com.ar 25/10/2013 Clusters en Powerhouse 7 Caso: un banco que desea conocer mejor a sus clientes y decide segmentar la base para encontrar los distintos perfiles El mapa de la izquierda muestra 7 segmentos naturales, que agrupan clientes con comportamientos similares Cluster 1 12% 6% 25% Cluster 2 Cluster 3 16% 18% 17% 5% Cluster 4 Cluster 5 Cluster 6 Cluster 7 www.dataxplore.com.ar 25/10/2013 ¿Qué distingue cada segmento? 8 Las siguientes variables son las que más diferencian los segmentos www.dataxplore.com.ar 25/10/2013 ¿Qué características tienen los segmentos? 9 Cada variable tiene su propia distribución en los segmentos www.dataxplore.com.ar 25/10/2013 Heat Maps 10 Los Heat Maps permiten conocer detalladamente cómo se distribuyen los valores de las variables Capital Federal Muy Bajo Riesgo Saldos Altos Saldos Medios Gran Bs As www.dataxplore.com.ar Muy Alto Riesgo Saldos Bajos 25/10/2013 Clusters para Scoring 11 Si una variable se distribuye de manera no uniforme en los clusters, entonces el cluster puede utilizarse como predictor de esa variable. Por ejemplo, en este caso se puede construir un score de attrition basado en la distribución de la variable en los clusters Cluster con alta probabilidad de “SI” Cluster con baja probabilidad de “SI” Cluster con probabilidad media de “SI” www.dataxplore.com.ar 25/10/2013 Resumen 12 Gracias a las segmentaciones las empresas pueden gestionar mejor su cartera de clientes dirigiéndose adecuadamente a cada segmento Segmentar habilita tomar mejores decisiones, abrir nuevas oportunidades y optimizar la comunicación con los clientes Para más información sobre modelos de clustering para segmentación y scoring puede consultarse http://powerhousedm.blogspot.com.ar/ www.dataxplore.com.ar 25/10/2013