Sistema recomendador en tiempo real para ofertas comerciales en el sector bancario
Fecha:
07/2022Palabra clave:
Tipo de Ítem:
masterThesis
Resumen:
En los últimos años ha habido un aumento en el uso de sistemas recomendadores fuera de las industrias tradicionales como el comercio electrónico o el entretenimiento. Tal es el caso del sector bancario donde existen numerosas oportunidades de aplicación como por ejemplo la recomendación de productos. Sin embargo, los principales obstáculos para su implementación son la carencia de ratings debido a que los clientes no suelen calificar un producto bancario y la imposibilidad de poder dar una recomendación a un cliente nuevo por falta de datos. Para solucionar el primer problema, el presente trabajo propone un algoritmo para calcular el rating implícito de un producto y con ello alimentar un modelo basado en filtrado colaborativo. Para el segundo caso, se realiza un modelo de clustering para asignar al cliente a un grupo de personas con similares características y con ello poder generar una recomendación. Ambos modelos son soportados por una arquitectura que hace posible la predicción en tiempo real para la generación de una oferta comercial en el momento oportuno. Para validar la propuesta se utilizaron datos reales de transacciones hechas con tarjeta correspondientes a más de 70 mil clientes de un reconocido banco peruano y se calculó el error en la predicción usando las métricas MAE y RMSE. Los resultados fueron bastante aceptables ya que ambos modelos superaron en más de 30% a un predictor aleatorio y se demostró que el enfoque propuesto para calcular el rating implícito considerando la frescura, frecuencia y monto de transacciones obtuvo mejores resultados que otro estudio que solo consideró una de esas variables.
Descripción:
In recent years, the use of recommender systems outside of traditional industries such as e-commerce or entertainment has increased. This is the case of banking sector where there are many opportunities like product recommendation. However, there are two main problems to its implementation: data sparsity due to the lack of ratings because customers do not usually rate a banking product and cold start which is the impossibility to give a recommendation to a new customer. In order to solve the first problem, this work proposes an algorithm to calculate an implicit rating of a product to use it in a collaborative filtering model. On the other hand, a clustering model is carried out to assign the client to a group of people with similar characteristics and thereby generate a recommendation. Both models are supported by an architecture that enables real-time prediction for the generation of a right time commercial offer. To validate the proposal, real data from card transactions corresponding to more than 70,000 clients of a well-known Peruvian bank were used, and prediction error was calculated using MAE and RMSE metrics. The results were quite acceptable because both models outperformed a random predictor by more than 30% and it was demonstrated that the proposed approach to calculate implicit rating using recency, frequency and monetary variables got better results than other study that only considered one of those variables.
Ficheros en el ítem
