Oye,
Aquí hay 2 ejemplos de bancos que usan minería de datos.
Prevención proactiva de las deserciones de los clientes en la banca
Reto: reducir la rotación de clientes.
- ¿Cuál es una lectura más útil para alguien interesado en la investigación de LA: "Teoría del aprendizaje estadístico" de Vapnik, o "Elementos del aprendizaje estadístico" de Friedman / Tibshirani / Hastie?
- ¿Qué cursos o certificados puedo seguir para prepararme para trabajar en el análisis de datos?
- Hoy en día, ¿la ciencia de datos se trata más de saber cómo usar herramientas y bibliotecas preconstruidas (de Python / R) que otra cosa?
- En minería de datos, ¿cómo extraigo los valores monetarios del texto del cupón OCR?
- ¿Cuál es el mejor instituto para un científico de datos en Hyderabad? ¿Por qué?
Al igual que muchas empresas en muchas industrias, Bank of America ha luchado por encontrar formas efectivas de cerrar la puerta trasera, es decir, identificar a los clientes que pueden estar a punto de desertar a un competidor e intervenir para retenerlos. La compañía recurrió a su equipo de ciencia de datos para explorar nuevas estrategias para detener tales deserciones.
Solución: nuevos conocimientos, nuevos modelos, intervención proactiva.
Los científicos de datos utilizaron historiales de transacciones para desarrollar nuevos modelos de comportamiento de clientes hipotecarios y titulares de tarjetas que corren el riesgo de cambiar. Luego, los científicos trabajaron con colegas para desarrollar un sistema de recomendación basado en estos modelos que podría impulsar ofertas de retención a clientes en riesgo en su próximo contacto con el banco, ya sea en línea, en una sucursal o en un centro de atención telefónica.
Resultados: resultados positivos y un nuevo grupo de análisis.
Si bien los KPI para esta transformación son privados, Bank of America estaba muy satisfecho con los resultados del proyecto y otras iniciativas de ciencia de datos, incluido el uso de algoritmos y big data para mejorar sus capacidades de gestión de riesgos, con informes que sugieren que redujeron su préstamo tiempo de cálculo predeterminado en alrededor del 95%. En consecuencia, Bank of America ha expandido y fortalecido sus capacidades de ciencia de datos a través de un grupo de análisis consolidado con líneas de informes matriciales para múltiples funciones y unidades de negocios.
Descubriendo nuevos segmentos de clientes en la banca
Desafío: capacidades de segmentación limitadas
Un gran grupo de banca minorista consideró que la segmentación que usaban para dirigir las campañas de ventas y marketing a los clientes existentes podría mejorarse, pero sus analistas parecían haber refinado la segmentación de clientes tanto como era posible utilizando los sistemas CRM del banco.
Solución: aprovechar los datos transaccionales para nuevos segmentos basados en el comportamiento
La compañía decidió probar una estrategia similar a la que implementó Bank of America para ayudar a cerrar la puerta trasera: extraer sus grandes archivos de datos transaccionales para desarrollar nuevos modelos de comportamiento del cliente. Específicamente, la aseguradora combinó datos de transacciones y datos de CRM y usó algoritmos de minería para descubrir correlaciones previamente no detectadas entre comportamientos y perfiles.
Resultados: Mejora triple en la conversión
Los nuevos segmentos identificados como resultado de estas correlaciones ahora están siendo utilizados por marketing y ventas para guiar ofertas y campañas promocionales, con una mejora de tres veces en las tasas de conversión. Satisfecha con los resultados, la empresa ahora ha encomendado a sus científicos de datos el análisis de registros web y otros indicadores de comportamiento en línea para optimizar la experiencia del cliente digital y omnicanal.
Eso es solo 2 casos de uso de este documento técnico sobre banca y análisis, no dude en echar un vistazo. Mejor,
