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.