Data Mining aplicado a promociones en tarjetas de crédito/débito Diego Rafael Gómez Izquierdo...

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.


Los perfiles incluyen:– Datos

derivados de información transaccional

– Datos personales

– Reglas

Información transaccional

Datos personales

Reglas

Rubro = Supermercado => Comercio = Coto (20%,100%)


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


Primera etapa:

- Data Warehouse Data Mart- Generación de reglas por persona


+Experto





Reglas Descartadas

No validadas

Reglas Aceptadas


DataMart

Terce

ra E

tapa

Explo

tació

n



Segunda etapa:

- Validación de reglas- Experto + Sistema


+Experto





Reglas Descartadas

No validadas

Reglas Aceptadas


DataMart

Terce

ra E

tapa

Explo

tació

n



Etapa 2: Operadores de Validación

Agrupación de reglas por similitud Filtrado de reglas basado en plantillas Eliminación de reglas redundantes



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”



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”)



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.


Tercera Etapa:

- Explotación de perfiles- Modo Reactivo (reacciono ante las reglas)

- Modo Proactivo (consultas por iniciativa)


+Experto





Reglas Descartadas

No validadas

Reglas Aceptadas


DataMart

Terce

ra E

tapa

Explo

tació

n


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

Data Mining aplicado a promociones en tarjetas de crédito/débito Diego Rafael Gómez Izquierdo...

Documents

Transcript of Data Mining aplicado a promociones en tarjetas de crédito/débito Diego Rafael Gómez Izquierdo...