María José Loor MartínezFernando Xavier Loor Mera

MODELO PREDICTIVO DE DESERCIÓN DE CLIENTES DE UN BANCO USANDO LIBRERÍA MAHOUT DEL FRAMEWORK HADOOP

Análisis de lealtad y deserción de clientes.

Analizar el comportamiento transaccional de los clientes que han abandonado la empresa.

Obtener un modelo que permita predecir futuros clientes desertores.

Los costos que incurre en mantener a un cliente son menores que la adquisición de nuevos.

INTRODUCCIÓN

Muchas razones a considerar para que un cliente cancele sus productos y servicios, por este motivo se ha limitado el alcance de este proyecto a la parte transaccional.

LimitacionesEl tamaño de la muestra.Información confidenciales.Tiempo.

ALCANCE Y LIMITACIONES

Abandono de clientes ya sea voluntario o involuntario.

Desertor, si el cliente tuvo un producto en un periodo de tiempo y ha cancelado todos los productos y servicios.

Objetivo:Clientes con alto potencial de abandono. Clientes que vale la pena retener. 

DESERCIÓN DE CLIENTES

Sistema de almacenamiento y procesamiento de datos. EscalableTolerante a fallosDistribuido.

Procesamiento distribuido de grandes conjuntos de datos.

Soportado por dos componentes: HDFS (Hadoop Distributed File System)MapReduce.

HADOOP

HADOOP

HDFS MapReduce

Sistema de archivos distribuido, escalable y portátil.

HDFS divide en piezas y las distribuye entre los diferentes servidores. Cada servidor almacena un fragmento del conjunto completo de datos

Cada parte de los datos se replica en más de un servidor.

HDFS fue diseñado para gestionar archivos muy grandes.

HADOOP DISTRIBUTED FILE SYSTEM

HADOOP DISTRIBUTED FILE SYSTEM

Data File

Name Node

La data es dividida en fragmentos y se distribuye entre los

diferentes servidores

Cada fragmento de los datos se replica

en más de un servidor.

Framework que soporta la computación en paralelo sobre grandes colecciones de datos en clústeres de computadoras.

MapReduce divide el procesamiento en dos fasesMapReduce.

Compuesto por:Nodo maestro JobTrackerNodo esclavo TaskTracker.

MAPREDUCE

Datos de Entrada Fase Map Archivos

Intermedios Fase Reduce Datos de Salida

Esclavo Salida

Archivo 0

Master

Fragmento 0

Fragmento 1

Fragmento 2

Fragmento 3

Fragmento 4

Esclavo

Esclavo

Esclavo

Esclavo

SalidaArchivo 1

Asignación ReduceAsignación Map

Lee Escribe localmente Leer remotamente

Escribir

MAPREDUCE

Librería escalable y abierta a implementación.Divide sus algoritmos en tres áreas principales:

Filtros colaborativos (recomendadores), Clustering Clasificación.

Algoritmos de Clasificación permiten pronosticar futuros eventos en base a los datos históricos.

Un sistema de clasificación se divide en tres partes: Entrenamiento del modelo, Evaluación del modelo, Implementación del modelo.

MAHOUT

Entrenamiento del modelo

• Definición variable objetivo

• Recolección datos históricos

• Definición variables predictivas

• Selección del algoritmo de aprendizaje

• Entrenamiento del modelo

Evaluación del modelo

• Ejecutar datos de prueba

• Ajustar datos

Usar el modelo

en producci

ón

ANÁLISIS DE LA SOLUCIÓN

Definición de la variable objetivo

Recolección de datos

históricos

Definición de variables

predictivas

Selección de algoritmo de aprendizaje

Usar el algoritmo

seleccionado para entrenar

el modelo

ENTRENAMIENTO DEL MODELO

DEFINICIÓN DE LA VARIABLES OBJETIVO

Deserción

RECOLECCIÓN DE DATOS HISTÓRICOS

• El comportamiento del cliente identifica cuales partes de los servicios del banco son usados y cuan a menudo.

Comportamiento

• La percepción del cliente es definida por la forma en que el cliente aprecia el servicio.Percepción

• Información demográfica del cliente son las variables más usadas, como edad, nivel de educación, estatus social, información geográfica.

Información demográfica

• Las variables macro económicas identifica cambios económicos en la sociedad, las diferencias en las experiencias del cliente y como afecta en el servicio.

Variables Macro

Económicas

DEFINICIÓN DE VARIABLES PREDICTIVASBase de datos: 4,750 clientes inactivos.Cliente Inactivo: es el cliente que durante el

periodo de 12 meses ha cancelado voluntariamente sus productos y servicios con el banco.

Dos tipos de datos: Información demográfica: edad, género, ciudad,

dependencia salarial, y tiempo de vida en el banco. Comportamiento transaccional: periodo de Enero a

Julio del 2010. Productos: cuentas de ahorros, cuentas corrientes, pólizas de acumulación, créditos, créditos para autos y créditos para casas.

DEFINICIÓN DE VARIABLES PREDICTIVAS57% de clientes pertenece al género masculino, y el

43% al género femenino. Un gran porcentaje de clientes fluctúa entre el rango

de 25 y 35 años de edad.

0

50

100

150

200

250

0 10 20 30 40 50 60 70 80 90 100

AGE

DEFINICIÓN DE VARIABLES PREDICTIVASEl 23% de los clientes desertores tienen un tiempo

promedio de vida en el banco de 2 años.

0

200

400

600

800

1000

1200

1400

1600

0 5 10 15 20 25 30

BANK_AGE

DEFINICIÓN DE VARIABLES PREDICTIVASEl número de transacciones disminuye en el tiempo. El producto cuenta de ahorros tiene una participación

significativa en el número de productos activos. Se puede deducir que el comportamiento

transaccional de un cliente desertor es de forma decreciente.

0

500

1000

1500

2000

2500

3000

3500

t = 1 t = 6

TRXPOL_t

TRXCRE_t

TRXCA_t

TRXCC_t

TRXCAS_t

TRXAUT_t

SELECCIÓN DE ALGORITMO

Algoritmos de Clasificación:Regresión Logística

La regresión logística es usada en una situación cuando la variable objetivo es un estado que puede o no suceder.Cuantificar la importancia de la relación existente entre las variables predictivas y la variable objetivo.

Clasificar individuos dentro de las categorías (presente/ausente) de la variable objetivo.

Algoritmo trainlogistic

ENTRENAMIENTO DEL MODELO

$ bin/mahout trainlogistic

--input /home/hadoop/baseClientes.csv

--output ./model

--target churn --categories 2

--predictors AGE BANK_AGE SEX DEPENDENCY--types numeric

--features 16 --passes 100

Datos de entradaModelo resultante Variable ObjetivoVariables

Predictivas Variables de Ajuste

Modelo resultante:churn ~ 5.701*Intercept Term + -1.513*AGE + 7.885*BANK_AGE + 1.852*SEX + 5.701*DEPENDENCY

Intercept Term 5.70054

AGE -1.51264

BANK_AGE 7.88537

SEX 1.85234

DEPENDENCY 5.70054

$ bin/mahout runlogistic

--input /home/hadoop/baseClientes.csv

--model ./model

--auc

Algoritmo runlogistic

EVALUACIÓN DEL MODELO

Datos de entradaModelo

resultanteVariable de Evaluación

La salida es el valor de AUCMedida utilizada para determinar la calidad del modelo. 

Cuatro diferentes modelos de regresión logística fueron entrenados y evaluados.:

Evaluación de los modelos:

Los resultados de la evaluación de los dos primeros modelos, los cuales consideraban únicamente un solo tipo de variables, no son muy significativos.

PRUEBAS Y RESULTADOS

 Modelo

1Modelo

2Modelo

3Modelo

4AUC 0.56 0.37 0.62 0.68

En la validación se utilizó una muestra de 1,000 clientes.

PRUEBAS Y RESULTADOS

ModeloNumero de clientes

desertores

Número correcto de

predicción de clientes

desertores

Porcentaje predicho

de clientes desertores

Modelo 3 830 794 94%

Modelo 4 830 813 97%

El modelo fue entrenado con una pequeña muestra de datos.

Aunque el valor de evaluación AUC, no fue de 1 para describir un modelo perfecto, ambos clasificaron correctamente a los clientes desertores.

Si la definición de deserción se basa en otros factores como: los reclamos o la rentabilidad del cliente, entonces el modelo se debería redefinir.

El rendimiento del sistema de clasificación en producción dependerá de los datos de entrada.

CONCLUSIONES

Recolectar más muestras a través del tiempo con el fin de hacer más datos de entrenamiento.

Se sugiere tomar los datos históricos de hasta seis meses de anterioridad. El objetivo es mantener la consistencia con los datos de entrada y prototipo del modelo predictivo.

En futuros análisis se puede identificar las características de los clientes de los clientes desertores.

RECOMENDACIONES