Maestría en Ingeniería · 2025
Aproximación para personalización de interfaces basado en datos históricos en un caso aplicado de la banca
This project proposes an approach to generate personalization proposals through a user grouping model based on pattern identification in transaction history, with the aim of improving each user's experience by allowing them to view options that suit their particular needs. The project has two stages: the development of the user grouping model using machine learning (ML) algorithms through the CRISP-DM methodology, achieving a result of six user clusters with a silhouette coefficient of 64%, which represents adequate cohesion and distinguishable patterns; and secondly, the development of personalized proposals using the design thinking methodology. This was the result of a case study applied to a digital channel of a financial institution in Colombia, where, based on customer validations, a 90% favorability rating was obtained in terms of the perceived value of the proposal made for the specific cluster of each group, with an average of 30% more compared to the control variants.
Texto completo 88 páginas con texto
Leer la tesis completa Ficha en el repositorio
Contenido
- INTRODUCCIÓNp. 9
- PLANTEAMIENTO DEL PROBLEMAp. 10
- JUSTIFICACIÓNp. 12
- PREGUNTA DE INVESTIGACIÓNp. 13
- OBJETIVOSp. 13
- OBJETIVO GENERALp. 13
- 4.2 OBJETIVOS ESPECÍFICOSp. 14
- ANTECEDENTESp. 14
- MARCO TEÓRICOp. 16
- METODOLOGÍAp. 21
- CRISP-DMp. 22
- GENERACIÓN DE DISEÑO DE PROPUESTASp. 26
- RESULTADOSp. 27
- MODELO DE PERFILACIÓNp. 27
- GENERACIÓN DE PROPUESTASp. 44
- RECOMENDACIONESp. 64
- CONCLUSIONESp. 66
- REFERENCIASp. 67
- ANEXOSp. 75
- Figura 1 “Metodología CRISP-DM [31]p. 22
- Figura 2 “Diagrama de flujo de proceso implementado”p. 24
- Figura 3” Diagrama proceso de generación de diseño de propuestas”p. 26
- Figura 4 “Principales 20 Transacciones exitosas”p. 30
- Figura 5 “Top 20 Transacciones fallidas”p. 32
- Figura 6 “Distribución por esquema de seguridad”p. 34
- Figura 7 “Días con más transacciones fallidas”p. 35
- Figura 8 “Top 4 transacciones exitosas por esquema de seguridad”p. 36
- Figura 9 “Cantidad de transacciones por segmento y tipo de esquema”p. 36
- Figura 10 “Tasa de fallas por segmento”p. 37
- Figura 11 “Tabla de los datos normalizados para modelado”p. 39
- Figura 12 “Comportamiento de Cluster”p. 40
- Figura 13 “Tamaño de cada cluster”p. 41
- Figura 14 “Centroides por cluster”p. 43
- Figura 15 “Dashboard actual Canal”p. 47
- Figura 16 “Propuesta 1 (Dashboard para Cluster 0 y 2”p. 48
- Figura 17 “Propuesta 1 (Ayudas visuales) para Cluster 0 y 2”p. 49
- Figura 18 “Propuesta 2 (Recomendaciones y ofertas) para Cluster 1 y 4”p. 50
- Figura 19 “Propuesta 2 (Detalle de recomendaciones) para Cluster 1 y 4”p. 51
- Figura 20 “Propuesta 2 (Errores) para Cluster 1 y 4”p. 52
- Figura 21 Propuesta 2 (Ejemplo Rescate de errores) para Cluster 1 y 4”p. 53
- Figura 22 “Propuesta 3 (Venta Canales y Comex) para Cluster 3 y 5”p. 54
- Figura 23 “Estrategia de plazos para implementación del modelo”p. 62
- Figura 24 “Diseño técnico Microservicio del modelo”p. 63
- Anexo 1: Código del modelop. 75
- Anexo 2: Entrevista 1p. 85
- Anexo 3: Entrevista 2 (Validación)p. 87
- Ecuación 1 “Fórmula de distancia cuadrada euclideana”p. 18
- Ecuación 2 “Fórmula para actualización de centroide”p. 19
- Ecuación 3 “Fórmula de coeficiente de silueta”p. 19
- Ecuación 4 “Fórmula de Método del codo”p. 20
- Ecuación 5 “Fórmula de Índice Davies-Bouldin”p. 20
- Ecuación 6 “Fórmula de Índice de Calinski”p. 20
- Tabla 1 “Orden de uso”p. 31
- Tabla 2 “Transacciones fallidas”p. 33
- Tabla 3 “Resultado de comparación de propuestas”p. 59