Proyectos realizados
Administración del riesgo
Una empresa de servicios financieros estaba preocupada por su nivel de riesgo de crédito y la alta exposición (exposure), así que decidió llevar adelante una política activa respecto de la asignación de límites de créditos a sus clientes.
Para lograrlo utilizamos 18 meses de historia de todos sus clientes, con una identificación de aquellos clientes cuya mora en algún momento había sido mayor que 3 meses.
Las variables que se utilizaron fueron balances de cuentas, uso de otros instrumentos financieros, como tarjetas de crédito, fechas de pago, etc.
Con estos datos construimos un modelo de scoring que fue capaz de identificar al 75% de los clientes que entrarían en mora en los siguientes meses. Aplicando este modelo a toda la cartera de clientes se los ordenó por su riesgo y se asignó el límite de crédito a cada cliente de acuerdo a su riesgo. Esta política permitió bajar la exposición a un 60% del valor original.
Optimización del flujo de caja
Un estudio de abogados encargado de cobrar deudas de un banco quería mejorar su tasa de respuesta al contactar a los clientes.
A pesar de la poca calidad de datos con la que contaba, logramos construir un modelo que mejoró su flujo de caja en un 48%. Otra medida que usamos para evaluar el modelo fue la cantidad de clientes a contactar para recuperar un determinado monto. El modelo redujo el número de contactos a un 55%.
Marketing Directo: selección de clientes a contactar
Segmentación de clientes
Un banco deseaba segmentar sus clientes de tarjetas de crédito para optimizar sus campañas de marketing.
Utilizamos datos no solamente del movimiento de las cuentas de los clientes, sino también consumos en determinados rubros e información de mercado.
Con todos los datos armamos 3 modelos distintos de segmentación y elegimos el que se ajustaba más al objetivo principal que era diseñar promociones de afinidad con una lista de posibles comercios.
En el análisis de los segmentos surgieron cosas interesantes, como por ejemplo un nicho de clientes que tenía un alto potencial pero que utilizaban diversos servicios financieros de otros bancos.
Inmobiliaria: el valor del m2
Una inmobiliaria deseaba tener un parámetro más o menos objetivo del precio del metro cuadrado de los departamentos basándose en características tales como metros cuadrados totales, ubicación, cantidad de cuartos, antigüedad, etc.
El modelo desarrollado es capaz de estimar un valor del meto cuadrado que luego se puede utilizar como referencia para hacer la tasación final.
Sitio Web: identificando los clientes potenciales
Una empresa que comercializa servicios y producto agropecuarios por Internet deseaba identificar posibles clientes entre los visitantes de su sitio web y de esta manera realizarles ofertas de acuerdo a su perfil.
Uno de los mayores retos fue identificar a los clientes con la menor cantidad de clics posibles.
Un modelo que resultó ser efectivo fue uno de segmentación (clustering), que agrupó a los clientes en pocos segmentos basándose en clics.
El modelo se incorporó a un sistema de alertas que es capaz de perfilar los clientes y realizarles ofertas especiales.
Fuga de clientes
Identificar aquellos clientes con altas probabilidades de fuga permite que la empresa realice alguna acción para evitar perder el cliente, por ejemplo contactarlo para averiguar si está conforme con el servicio.
Al margen del tipo de acción a realizar, antes se necesita identificar al cliente con alto riesgo de fuga. Para esto desarrollamos un modelo con una muy buena respuesta y que además nos permitió identificar cuáles eran los factores que más relacionados estaban con la decisión de los clientes de dejar de operar con la empresa.
Tránsito: identificando factores de riesgo
Analizando datos de colisiones viales dentro de una ciudad pudimos identificar no solamente la tendencia actual sino también las distintas variables que explican gran parte de los accidentes.
Este es un proyecto que continúa en la actualidad y esperamos obtener más datos para armar más modelos que nos permitan obtener la información necesaria para crear una serie de recomendaciones para el municipio.
Seguros: identificando potenciales clientes
Cuando una empresa cuenta con clientes de un determinado producto, como en este caso pólizas de seguro, una manera de incrementar las ventas es hacerlo mediante un modelo de cross-selling.
Para este modelo utilizamos todos los datos de los clientes y se marcaron aquellos que compraron una determinada póliza. Luego se construyó un modelo que identificaba a los clientes que habían comprado esa póliza.
Finalmente, aplicando el modelo a toda la cartera de clientes que no haya comprado la póliza a ofrecer, se obtiene un score que sirve para seleccionar a los clientes con mayor probabilidad de aceptar una oferta.
Supermercados: conociendo a los clientes
Los supermercados son muy afortunados respecto de sus datos, ya que los tickets cuentan con un detalle de los hábitos de sus clientes que muy difícilmente tengan otras empresas.
Con una base de datos de una sucursal de una cadena de supermercados obtuvimos un modelo de segmentación que nos permitió agrupar a los clientes en base a su comportamiento.
Un segmento agrupaba clientes seguidores de ofertas y otro contenía clientes muy rentables con altos consumos en frutas y verduras pero con un bajo consumo de indumentaria.
Para un mayor detalle de este proyecto puede bajar el documento ¿Cómo se comportan mis clientes?
Administración del riesgo
Una empresa de servicios financieros estaba preocupada por su nivel de riesgo de crédito y la alta exposición (exposure), así que decidió llevar adelante una política activa respecto de la asignación de límites de créditos a sus clientes.
Para lograrlo utilizamos 18 meses de historia de todos sus clientes, con una identificación de aquellos clientes cuya mora en algún momento había sido mayor que 3 meses.
Las variables que se utilizaron fueron balances de cuentas, uso de otros instrumentos financieros, como tarjetas de crédito, fechas de pago, etc.
Con estos datos construimos un modelo de scoring que fue capaz de identificar al 75% de los clientes que entrarían en mora en los siguientes meses. Aplicando este modelo a toda la cartera de clientes se los ordenó por su riesgo y se asignó el límite de crédito a cada cliente de acuerdo a su riesgo. Esta política permitió bajar la exposición a un 60% del valor original.
Optimización del flujo de caja
Un estudio de abogados encargado de cobrar deudas de un banco quería mejorar su tasa de respuesta al contactar a los clientes.
A pesar de la poca calidad de datos con la que contaba, logramos construir un modelo que mejoró su flujo de caja en un 48%. Otra medida que usamos para evaluar el modelo fue la cantidad de clientes a contactar para recuperar un determinado monto. El modelo redujo el número de contactos a un 55%.
Marketing Directo: selección de clientes a contactar
Segmentación de clientes
Un banco deseaba segmentar sus clientes de tarjetas de crédito para optimizar sus campañas de marketing.
Utilizamos datos no solamente del movimiento de las cuentas de los clientes, sino también consumos en determinados rubros e información de mercado.
Con todos los datos armamos 3 modelos distintos de segmentación y elegimos el que se ajustaba más al objetivo principal que era diseñar promociones de afinidad con una lista de posibles comercios.
En el análisis de los segmentos surgieron cosas interesantes, como por ejemplo un nicho de clientes que tenía un alto potencial pero que utilizaban diversos servicios financieros de otros bancos.
Inmobiliaria: el valor del m2
Una inmobiliaria deseaba tener un parámetro más o menos objetivo del precio del metro cuadrado de los departamentos basándose en características tales como metros cuadrados totales, ubicación, cantidad de cuartos, antigüedad, etc.
El modelo desarrollado es capaz de estimar un valor del meto cuadrado que luego se puede utilizar como referencia para hacer la tasación final.
Sitio Web: identificando los clientes potenciales
Una empresa que comercializa servicios y producto agropecuarios por Internet deseaba identificar posibles clientes entre los visitantes de su sitio web y de esta manera realizarles ofertas de acuerdo a su perfil.
Uno de los mayores retos fue identificar a los clientes con la menor cantidad de clics posibles.
Un modelo que resultó ser efectivo fue uno de segmentación (clustering), que agrupó a los clientes en pocos segmentos basándose en clics.
El modelo se incorporó a un sistema de alertas que es capaz de perfilar los clientes y realizarles ofertas especiales.
Fuga de clientes
Identificar aquellos clientes con altas probabilidades de fuga permite que la empresa realice alguna acción para evitar perder el cliente, por ejemplo contactarlo para averiguar si está conforme con el servicio.
Al margen del tipo de acción a realizar, antes se necesita identificar al cliente con alto riesgo de fuga. Para esto desarrollamos un modelo con una muy buena respuesta y que además nos permitió identificar cuáles eran los factores que más relacionados estaban con la decisión de los clientes de dejar de operar con la empresa.
Tránsito: identificando factores de riesgo
Analizando datos de colisiones viales dentro de una ciudad pudimos identificar no solamente la tendencia actual sino también las distintas variables que explican gran parte de los accidentes.
Este es un proyecto que continúa en la actualidad y esperamos obtener más datos para armar más modelos que nos permitan obtener la información necesaria para crear una serie de recomendaciones para el municipio.
Seguros: identificando potenciales clientes
Cuando una empresa cuenta con clientes de un determinado producto, como en este caso pólizas de seguro, una manera de incrementar las ventas es hacerlo mediante un modelo de cross-selling.
Para este modelo utilizamos todos los datos de los clientes y se marcaron aquellos que compraron una determinada póliza. Luego se construyó un modelo que identificaba a los clientes que habían comprado esa póliza.
Finalmente, aplicando el modelo a toda la cartera de clientes que no haya comprado la póliza a ofrecer, se obtiene un score que sirve para seleccionar a los clientes con mayor probabilidad de aceptar una oferta.
Supermercados: conociendo a los clientes
Los supermercados son muy afortunados respecto de sus datos, ya que los tickets cuentan con un detalle de los hábitos de sus clientes que muy difícilmente tengan otras empresas.
Con una base de datos de una sucursal de una cadena de supermercados obtuvimos un modelo de segmentación que nos permitió agrupar a los clientes en base a su comportamiento.
Un segmento agrupaba clientes seguidores de ofertas y otro contenía clientes muy rentables con altos consumos en frutas y verduras pero con un bajo consumo de indumentaria.
Para un mayor detalle de este proyecto puede bajar el documento ¿Cómo se comportan mis clientes?