data mining aplicado a promociones en tarjetas de crédito/débito diego rafael gómez izquierdo...
TRANSCRIPT
Data Mining aplicado a promociones en tarjetas de
crédito/débito
Diego Rafael Gómez Izquierdo
Universidad de Palermo - 2008
Introducción
El objetivo de negocio se enfoca en la maximización de los beneficios obtenidos por las entidades financieras a partir de las promociones lanzadas para consumos con tarjeta de crédito / débito de sus clientes.
Se introduce la utilización de técnicas y herramientas de Data Mining que incrementen el éxito de dichas promociones, haciendo foco en las áreas de interés de cada cliente particular.
Análisis Macroambiental
Análisis F.O.D.A.
Aspectos legales:
– Argentina ley número 25.326 "…se podrán tratar datos que sean aptos para establecer perfiles determinados con fines promocionales, comerciales o publicitarios; o permitan establecer hábitos de consumo..."
– UE: Directiva 95/46/CE, relativa a la protección de las personas físicas en lo que respecta al tratamiento de datos personales
Factores tecnológicos: Creciente que demanda soluciones de Data Mining en Latinoamérica
Factores económicos: la herramienta esta orientada a medianas y grandes empresas, principalmente dedicadas a servicios financieros orientados al consumo
Estrategia del Producto
Estrategia de comercialización global, dadas las características propias de la tecnología (descubrimiento patrones de comportamiento) es independiente de la localización geográfica
Comercialización: Dual (servicio y producto) brinda acceso a los beneficios de este tipo de tecnología a empresas sin las capacidades in-house
Consultoria: » Localmente para Caribe y Sudamérica» Franquicias a consultoras locales más remotas
(Europa, Asia y zona norte de América).
Comercialización global de la solución de soft: » Modo ingreso = exportación.
La comercialización y soporte de software vía Internet evita desventajas propias de esta modalidad de ingreso a otros mercados en lo que respecta a la distribución y barreras comerciales.
Desarrollo del Producto
Las empresas manejan y almacenan gran cantidad de datos.
Potencialmente, éstos pueden formar la base para una mejor toma de decisiones.
Nuestro sistema transforma los datos “ociosos” en información accionable.
Utiliza información aprendida a partir de la historia transaccional de los clientes para construir perfiles individuales utilizando técnicas de Data Mining, descubriendo reglas que describan su comportamiento, lo que permite orientar los lanzamientos de promociones.
Desarrollo del Producto
Los perfiles incluyen:– Datos
derivados de información transaccional
– Datos personales
– Reglas
Información transaccional
Datos personales
Reglas
Rubro = Supermercado => Comercio = Coto (20%,100%)
Desarrollo del Producto
El trabajo con la herramienta contempla tres etapas
Operador de Validación
+Experto
Conjunto total de reglas
Datos a nivel de individuo
Reglas a nivel de individuo
Primera EtapaPreparación de datos y descubrimiento de reglas
Reglas Descartadas
No validadas
Reglas Aceptadas
Segunda EtapaValidación
DataMart
Terce
ra E
tapa
Explo
tació
n
Perfiles Individuales
Desarrollo del Producto
Primera etapa:
- Data Warehouse Data Mart- Generación de reglas por persona
Operador de Validación
+Experto
Conjunto total de reglas
Datos a nivel de individuo
Reglas a nivel de individuo
Primera EtapaPreparación de datos y descubrimiento de reglas
Reglas Descartadas
No validadas
Reglas Aceptadas
Segunda EtapaValidación
DataMart
Terce
ra E
tapa
Explo
tació
n
Perfiles Individuales
Desarrollo del Producto
Segunda etapa:
- Validación de reglas- Experto + Sistema
Operador de Validación
+Experto
Conjunto total de reglas
Datos a nivel de individuo
Reglas a nivel de individuo
Primera EtapaPreparación de datos y descubrimiento de reglas
Reglas Descartadas
No validadas
Reglas Aceptadas
Segunda EtapaValidación
DataMart
Terce
ra E
tapa
Explo
tació
n
Perfiles Individuales
Desarrollo del Producto
Etapa 2: Operadores de Validación
Agrupación de reglas por similitud Filtrado de reglas basado en plantillas Eliminación de reglas redundantes
Desarrollo del Producto
Etapa 2: Operadores de Validación
Agrupación de reglas por similitud:– Agrupa reglas similares, aceptándolas o rechazándolas en
conjunto– Se pueden definir diferentes niveles de similitud, por ejemplo
teniendo en cuenta la similitud de la estructura de los atributos de las reglas (ignorando los valores de los atributos y los parámetros estadísticos)
– Ejemplo: Estructura “Categoría de Cliente => Rubro”
Desarrollo del Producto
Etapa 2: Operadores de Validación
Filtrado de reglas basado en plantillas:– Filtrado de reglas basado en plantillas pre-definidas por el
experto (aceptación o rechazo).
– Las plantillas generan con un lenguaje que el experto debe manejar, al que existe asociado un algoritmo de comparación.
– Ejemplo: REJECT HEADER = {Comercio = Burger King}.
(“Rechazar todas las reglas que tienen Comercio = Burger King en su encabezado”)
Desarrollo del Producto
Etapa 2: Operadores de Validación
Eliminación de reglas redundantes – Elimina reglas derivadas de otras (cuando la regla ya esta
incluida en otra)
– Ejemplo: “Rubro = Indumentaria => Comercio = Wanama de Alto Palermo (2%, 100%)”, la cual fue descubierta en el historial de compra de un cliente determinado. Esta ya esta incluida en el perfil del cliente si éste solo consume en Wanama.
– Por esto, almacenar el hecho de que este cliente “compra sólo en Wanama...” elimina la necesidad de almacenar la regla de la indumentaria en el perfil.
Desarrollo del Producto
Tercera Etapa:
- Explotación de perfiles- Modo Reactivo (reacciono ante las reglas)
- Modo Proactivo (consultas por iniciativa)
Operador de Validación
+Experto
Conjunto total de reglas
Datos a nivel de individuo
Reglas a nivel de individuo
Primera EtapaPreparación de datos y descubrimiento de reglas
Reglas Descartadas
No validadas
Reglas Aceptadas
Segunda EtapaValidación
DataMart
Terce
ra E
tapa
Explo
tació
n
Perfiles Individuales
Conclusiones
Las empresas manejan y almacenan gran cantidad de datos.
Nuestro sistema utiliza esos datos, aprendiendo de ellos para construir perfiles individuales de clientes utilizando técnicas de DM.
Esta información permite orientar los lanzamientos de promociones, formando la base para una mejor toma de decisiones.
Conclusiones
Brindamos una solución flexible: adaptable a cualquier mercado y accesible aun sin infraestructura (mediante el servicio de consultaría)
De esta manera, podemos sustanciar el “ciclo virtuoso del Data Mining” que, naciendo de los datos, genera información que permite tomar acciones concretas, las que redundan en mayores beneficios para las empresas, satisfaciendo a la vez las necesidades puntuales de sus clientes.
Gracias por su atención