Resumen

El estudio presenta el desarrollo de una solución analítica realizada para una entidad bancaria colombiana que busca maximizar la colocación y retorno generado en el proceso de agendamiento de Tarjetas de crédito preaprobadas. Durante el periodo de aislamiento por la pandemia, la entidad restringió bastante sus políticas de riesgo para colocación de nuevos productos; con las campañas de vacunación y el retorno gradual a la normalidad, la entidad ha ido retornando a sus niveles pre-covid paulatinamente y estos se han mantenido relativamente estables. Si bien no se evidencian caídas o deterioros en el desempeño de colocación de nuevos productos, la intención de la entidad es incrementar sus efectividades mediante el desarrollo y uso de herramientas analíticas que fortalezcan el proceso de toma de decisiones. Por esta razón se plantea un proyecto de dos etapas, en la primera se busca desarrollar herramientas analíticas que generen información a nivel de cliente y en la segunda se plantea utilizar dicha información en acciones comerciales que mejoren las cifras actuales de efectividad en colocación y retorno. El alcance de este trabajo de grado corresponde a la primera etapa del proyecto, la segunda etapa se ejecutará durante 2023. Para la primera etapa, se propuso el desarrollo y uso de modelos predictivos como herramientas para determinar la propensión de los clientes o prospectos a aceptar la tarjeta de crédito preaprobada y a generar retornos suficientes que compensen los gastos ocasionados durante el proceso de agendamiento y venta; en total se desarrollaron seis modelos predictivos que buscan explicar efectividad de colocación y retorno para las 3 marcas principales de tarjeta de crédito en la entidad. Para los modelos predictivos se consideraron únicamente aquellos algoritmos que se pueden incorporar en el proceso operativo de agendamiento dadas las restricciones de implementación; en este caso fueron Regresión logística, Random Forest, Gradient boosting machine y predicción combinada tipo Stacking. En el preprocesamiento se tuvieron en cuenta dos enfoques diferentes que son selección supervisada de variables y PCA, ambos se desarrollaron y evaluaron de forma paralela. La totalidad de algoritmos y enfoques de preprocesamiento se evaluaron usando validación out of sample (OOS) y validación out of time (OOT) para elegir la combinación más conveniente al problema. Como parámetro de aceptación, los 6 modelos deben tener estadístico KS >= 20 % y estadístico PSI <= 10%. Los resultados mostraron que en general el algoritmo más apropiado para el problema fue Gradient boosting machine con enfoque de preprocesamiento de selección supervisada de variables. Para los modelos de propensión a colocación se tienen estadísticos que superan ampliamente los mínimos requeridos, mientras que los modelos de propensión a generar retorno tienen estadísticos cercanos a los mínimos requeridos y será necesario monitorear de forma cercana después de la implementación. Con el desarrollo de los modelos, se indagó cuales características de los prospectos y clientes pueden ayudar a explicar la efectividad de colocación y retorno, de forma que se pudiera socializar con las áreas de negocio encargadas de diseñar y promover las acciones concretas de mejora a emplear en la segunda etapa del proyecto durante 2023.