Data Mining aplicado a promociones en tarjetas de crédito/débito Diego Rafael Gómez Izquierdo Universidad de Palermo - 2008.

Presentación del tema: "Data Mining aplicado a promociones en tarjetas de crédito/débito Diego Rafael Gómez Izquierdo Universidad de Palermo - 2008."— Transcripción de la presentación:

1 Data Mining aplicado a promociones en tarjetas de crédito/débito Diego Rafael Gómez Izquierdo Universidad de Palermo - 2008

2 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.

3 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

4 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.

5 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.

6 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%)

7 Desarrollo del Producto El trabajo con la herramienta contempla tres etapas

8 Desarrollo del Producto Primera etapa: -Data Warehouse Data Mart -Generación de reglas por persona

9 Desarrollo del Producto Segunda etapa: -Validación de reglas -Experto + Sistema

10 Desarrollo del Producto  Etapa 2: Operadores de Validación  Agrupación de reglas por similitud  Filtrado de reglas basado en plantillas  Eliminación de reglas redundantes

11 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”

12 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”)

13 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.

14 Desarrollo del Producto Tercera Etapa: - Explotación de perfiles - Modo Reactivo (reacciono ante las reglas) - Modo Proactivo (consultas por iniciativa)

15 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.

16 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.

17 Gracias por su atención