Ingeniería Industrial · 2025
Metodología de machine learning para la predicción de la propensión a la recomendación del cliente de una institución financiera: Reingeniería del modelo predictivo X. Una aproximación mediante técnicas avanzadas de machine learning. Semestre de industria
Solo ficha. El repositorio marca este trabajo como «None»: el PDF no es público, así que aquí no hay texto para leer. Ver la ficha en el repositorio.
Resumen
En el actual contexto de transformación digital del sector financiero, comprender la percepción del cliente representa un eje estratégico clave. Una reconocida entidad financiera del país enfrenta el desafío de medir la satisfacción de sus usuarios, tradicionalmente estimada mediante encuestas con métricas como el Net Promoter Score (NPS) y el Customer Satisfaction Score (CSAT). No obstante, la baja tasa de respuesta —menor al 5 %— limita la representatividad de los resultados y genera un vacío informativo crítico al ofrecer servicios y productos. En respuesta, el proyecto se centra en la reingeniería del modelo predictivo X mediante la actualización del proceso ETL, la incorporación de nuevas variables relevantes y la migración de la base de datos al nuevo data‑warehouse institucional. Además, se orquestó el flujo de datos bajo los lineamientos del gobierno analítico de la entidad, garantizando así una integración eficiente y trazable. La metodología empleada sigue el enfoque CRISP‑DM: comprensión del negocio y de los datos, construcción de procesos ETL para depurar y transformar múltiples fuentes de información, modelado supervisado y semisupervisado, y validación mediante métricas como accuracy, F1‑score y recall. También se evaluó la viabilidad de desplegar el modelo en un entorno productivo, alineándolo con la infraestructura de datos del banco. Se implementó una arquitectura en cascada que, en su primera etapa, alcanzó un accuracy del 68 % y un F1‑score de 0,80 para identificar promotores; sin embargo, la segunda etapa presentó dificultades al distinguir detractores de neutros (recall de 0,15 para la clase detractor), lo que redujo el desempeño global (accuracy 67 %, F1‑macro 0,37). Aun así, el proyecto validó hipótesis de negocio, mejoró la calidad de los datos y abrió la puerta a futuras iteraciones con variables cualitativas y modelos alternativos, consolidando una base sólida para la toma de decisiones en experiencia de cliente. Palabras clave: python, SQL, bases de datos, NPS, CSAT, machine learning, satisfacción, servicio al cliente, experiencia.