top of page

CRM Analytics para Banca Digital

OBJETIVO

 

El Customer Relationship Management CRM en la banca, es un proceso integrado por marketing, unidades de negocio e inteligencia de negocios orientado a gestionar, el activo más valioso de los bancos, los Clientes; con el fin de Retenerlos y Rentabilizarlos.

 

El CRM analítico es la automatización de procesos inteligentes. Trata la información captada por el CRM operacional y la transforma en acciones generadoras de rentabilidad, motivadoras de satisfacción e indicadoras de oportunidades futuras.

El CRM apunta a dos objetivos principales, el primero, la retención del cliente a través de la satisfacción del cliente y segundo el desarrollo de los clientes dentro de la entidad financiera. El Big data analytics junto con el machine learning proporcionan información del cliente, que es vital para el cumplimiento de los objetivos anteriores, y para establecer una estrategia eficaz de CRM.

El objetivo del curso muestra el uso del big data analytics y particularmente el machine learning para crear algoritmos de segmentación y clasificación de Clientes en Banca, exponer técnicas predictivas para modelizar el  churn score, cross selling, response score, credit scoring y técnicas avanzadas de Customer Lifetime Value.

El curso explica brevemente las características del Big data, la tipología de bases de datos, la arquitectura y las fuentes de los grandes volúmenes de información. Se comenta sobre el uso de Hadoop, software de framework, para el almacenamiento y procesamiento del Big Data y el software para crear algoritmos de machine learning.  

De cara a la intempestiva entrada de la disrupción digital se analiza el nuevo perfil de los Clientes, particularmente los millenians. Se estudia las campañas de marketing, cross selling, up selling, deep selling, estrategias de retención y vinculación de Clientes así como los canales de distribución que ofrece la banca. El curso ofrece un amplio número de casos de estudio sobre CRM aplicados en banca.

Respecto a la analítica de datos, se expone un módulo, sobre el tratamiento avanzado de los datos, explicando entre otros temas, el muestreo, análisis exploratorio, detección de outliers, técnicas avanzadas de segmentación y algoritmos de clasificación. 

 

Se muestran modelos predictivos tanto econométricos, como de machine learning tales como: árboles de decisión, redes neuronales, redes bayesianas, Support Vector Machine, modelo de conjuntos, etc. Además se explica, detalladamente, como validar modelos de machine learning para evitar sobreajuste.

 

El objetivo del curso es mostrar aplicaciones de la analítica de datos en la banca, por lo que se muestra, una amplia variedad de modelos de score aplicados al marketing, abandono, respuesta, crédito y rentabilidad.

Se exponen temas como la analítica en las redes sociales de Facebook y Twitter mostrando las principales métricas y desarrollando ejercicios de visualización de gráficos.

Se ha incluido un módulo avanzado de sales forecasting empleando no solo técnicas econométricas tradicionales sino modelos recientes de machine learning.

 

¿QUIÉNES DEBEN ASISTIR?

 

El Curso está dirigido a profesionistas de entidades financieras interesados en el Big Data Analytics, así como a los responsables de los departamentos de marketing, crédito, riesgos, inteligencia comercial y big data analytics. Para la mejor comprensión de los temas es recomendable que el participante tenga conocimientos de estadística.

 

PRECIO DEL CURSO LIVE ON LINE (30 Horas Lectivas)

 

Precio: 4.900 €

 

Horarios:

 

  • Santiago de Chile, Sao Paulo: Lunes a Viernes: 18:00 a 21:00 Hrs.

  • Madrid, Barcelona: Lunes a Viernes: 19:00 a 22:00 Hrs.

  • México, D.F., Quito, Bogotá, San José: Lunes a Viernes: 19:00 a 22:00 Hrs.

 

El Precio incluye: Presentaciones en formato PDF y ejercicios de Excel, R, SPSS y SAS.

 

En este curso entregamos los videos grabados de todas las clases para que el participante pueda repasar y estudiar nuevamente las sesiones grabadas.

Anchor 6

AGENDA CRM Analytics para Banca Digital

Módulo 1: Big Data en Banca

 

  • Banca Digital

  • Big Data en las entidades financieras

  • Tipología de datos: Estructurados y No Estructurados

  • Volumen, Velocidad, Variedad,Veracidad y valor

  • Tamaño de los Big Data

  • Fuentes de grandes volúmenes

  • Origen de las fuentes de datos

  • Big Data Analytics en Marketing

  • CRM Analytics

  • Adquisición, mantenimiento y retención de Clientes

  • Análisis de sentimientos en Marketing

  • Customer 360º

  • Mejoras de campañas de marketing

  • Modelos de abandono

  • Segmentación y optimización del pricining

  • Canales de distribución

  • Casos de estudio

  • Big Data Analytics en la gestión de Riesgos y Finanzas

  • Riesgos financieros

  • Modelos predictivos de riesgo crédito

  • Modelos de provisiones

  • Analítica de fraude

  • Stress testing 

  • Real Time Monitoring

  • Uso de redes sociales en la gestión de riesgos

  • Análisis de Portfolio de Inversiones

 

Módulo 2: CRM Analítico

 

  • CRM objetivo y alcance

  • CRM Analítico

  • CRM Operacional

  • Estrategia de modelo CRM

  • Implementación de un CRM

  • Data Management

  • Digital Maketing

  • Tratamiento Big Data

  • Data Security y Compliance

  • Análisis Software CRM tradicional

  • Análisis Software moderno

  • Big Data Analytics en el CRM

  • Digitalización 

  • Evolución del CRM

  • Metodología de CRM Analítico

    • Comprensión del negocio

    • Tratamiento de la data

    • Modelización de la clasificación

    • Evaluación del modelo

    • Modelo de Implementación

  • Customer Strategy

  • Caso de Estudio 1: Implementación de de CRM en banco Europeo

Módulo 3: Arquitectura del Big Data

 

  • La arquitectura del Big Data

  • Data Warehouse y Data Mart

  • Bases de datos

  • Hadoop

  • Plataformas de Hadoop

  • Analítica de Big Data

  • Gobierno del Big Data

  • Seguridad y privacidad del Big Data

  • Metadatos del Big Data

 

Módulo 4: HADOOP

 

  • ¿Que es Hadoop?

  • El ecosistema Hadoop

  • Componentes de Hadoop

  • Map Reduce

  • Desarrollo de aplicaciones Hadoop

  • Programación Hadoop

    • Hive

    • Pig

  • Plataforma de Hadoop

  • ​Ejercicio 1: Virtual Machine y uso de Hadoop

  • Ejercicio 2: Queries SQL en Hive y uso de HDFS en Hadoop de bases de datos de behavior scoring

  • Ejercicio 3: Programación en PIG 

Módulo 5: Digitalización, Campañas y Canales de distribución

  • La banca retail en Europa y América

  • Disrupción digital

  • Análisis de perfiles

    • Millenians

    • Generación X

    • Baby Boomers

  • Customer Centric Model

  • Ciclo de vida del Cliente

  • Customer Relationship Management

  • Diseño de Producto

  • Pricing

  • Análisis de los Canales de distribución en la banca 2016

    • ¿Sucursales físicas? 

    • Call center

    • ATM

    • Online Banking

    • Mobile Banking

    • Adaptación tecnológica de canales emergentes

  • Campañas de marketing

    • Producto 

    • Branding

    • Modelo de la adquisición

    • Campaña piloto

    • Cross Selling
    • Deep Selling

    • Up Selling

    • Retención y vinculación de Clientes

    • Outbound e Inbound Marketing en Banca

    • Marketing Call Center

    • Correo directo

    • e-mail. banner ads, e.mail marketing, promociones en web site

    • Campaña de expansión de negocio

    • Publicidad en televisión y radio

    • Google adwords, search

    • Redes sociales: Facebook, Twitter, Linkedin, Pinterest

    • Planificación financiera y objetivos puntuales

  • Customer Analytics

  • Segmentación del Cliente

    • Área Geográfica

    • Criterios demográficos

    • Comportamiento y estilo de vida

    • Fuentes de Información

    • Big data

    • Fuentes internas

    • Principales fuentes externas

    • Redes Sociales

    • Oferta Comercial y alcances dirigidos a mercado objetivo

  • Gestión y seguimiento de campañas

  • Score de Respuesta: Modelización y uso

  • Informe financiero de seguimiento

  • Rentabilidad, Charge Offs, Número de cuentas abiertas, NPL, etc.

  • Análisis Vintage de las acciones comerciales

  • Cumplimiento del Risk Appetite y Regulaciones

  • Planes de acción

  • Caso de Estudio 2: Análisis de costes y beneficios del CRM en banco retail Europeo 2005-2014. Lecciones aprendidas

Módulo 6: Machine Learning

 

  • Definición del Machine Learning 

  • Metodología del Machine Learning

    • Almacenamiento de la Data

    • Abstracción

    • Generalización

    • Evaluación

  • Aprendizaje Supervisado y No Supervisado

  • Tipología de algoritmos de Machine Learning

  • Pasos para implementar un algoritmo

    • Recogida de información

    • Análisis Exploratorio

    • Entrenamiento del modelo

    • Evaluación del Modelo

    • Mejoras al modelo

    • Machine Learning en riesgo crédito de consumo

  • Machine Learning en modelos de credit scoring

  • Principales Herramientas: Microsoft Azure, SAS  Enterprise Miner, SAS Visual Analytics, Knime, IBM SPSS Modelller,etc.

 

 

Módulo 7: Análisis Exploratorio Avanzado

  • Tipología de datos en el CRM

  • Data mínima en el retail banking

  • Datos transaccionales

  • Unstructured data embebida en documentos de texto

  • Social Media Data

  • Fuentes de datos

  • Revisión del dato

  • Definición del Target

  • Horizonte temporal de la variable objetivo

  • Muestreo

    • Muestreo Aleatorio

    • Muestreo Estratificado

    • Muestreo Rebalanceado

  • Análisis Exploratorio:

    • Histogramas

    • Q-Q Plot

    • Análisis de momentos

    • Box Plot

  • Tratamiento de los valores Missing

    • Imputación

    • Borrar

    • Mantener

  • Técnicas avanzadas de detección de Outliers y tratamiento

    • Z-Score

    • Distancia de Mahalanobis

  • Estandarización de los Datos

  • Categorización de variables

    • Equal Interval Binning

    • Equal Frecuency Binning

    • Prueba Ji-Cuadrada

  • Binary Coding

  • WOE Coding

    • Definición WOE

    • Análisis Univariante con variable Target

    • Selección de variables

    • Tratamiento de Variables continuas

    • Tratamiento de Variables Categóricas

    • Fisher Score

    • Gini

    • Information Value

    • Pearson Correlation

    • Cramer Von Misses

    • Optimización de variables continuas

    • Optimización de variables categóricas

  • ​Ejercicio 4: Análisis Exploratorio en SAS

  • Ejercicio 5: Detección y tratamiento de Outliers usando Z-score

  • Ejercicio 6: Técnicas de Muestreo rebalanceado en SAS

  • Ejercicio 7: Muestreo estratificado y Aleatorio

  • Ejercicio 8: Análisis del Weight of Evidence en Excel

  • Ejercicio 9: Análisis univariante en percentiles en SAS

  • Ejercicio 10: Análisis univariante óptimo variable continua en Excel

  • Ejercicio 11: Estimación del KS, Gini e IV de cada variable en Excel

  • Ejercicio 12: Validación de variables usando Pearson correlation y Fisher Score

  • Ejercicio 14: Optimización de variables categóricas en SAS

  • Ejercicio 15: Análisis Univariante con árboles de decisión en SPSS

Módulo 8: Segmentación CRM:

 Clustering y PCA

 

  • Segmentación del Cliente

  • Tipología de la segmentación

  • Modelización de la clasificación

  • Análisis Recency, Frequency Monetary (RFM) en banca retail

  • Análisis de banca móvil

  • Clusters Jerárquicos

  • Dendrograma

  • Model Based Clustering

  • Density Based Clustering

  • Comparativo de Clusters

    • Distancia Interclusters

    • Distancia Intraclusters

  • Gráfico de disimilitud

  • Validación de Clusters

  • Análisis de Componentes principales (PCA)

  • Visualización avanzada de PCA

  • Ejercicio 16: Segmentación RFM de tarjetas de crédito

  • Ejericicio 17: Segmentación usando clusters en SPSS y SAS 

  • Ejercicio 18: Segmentación de Clientes de Banca Móvil usando Componentes principales en SAS

  • Ejercicio 19: Segmentación de Clientes Banca Móvil usando clusters

  • Ejercicio 20: Visualización de componentes principales y clusters en R

Módulo 9: Algoritmos de Clasificación 

 

  • Árboles de Decisión

    • Modelización

    • Ventajas e inconvenientes

    • Procesos de Recursión y Particionamiento

    • Recursive partitioning tree

    • Pruning Decision tree

    • Conditional inference tree

    • Visualización de árboles

    • Medición de la predicción de árboles de decisión

    • Modelo CHAID

    • Modelo C5.0

  • K-Nearest Neighbors

    • Modelización

    • Ventajas e inconvenientes

    • Distancia Euclidiana

    • Distancia Manhattan

    • Selección del valor K

  • Modelo Probabilístico: Naive  Bayes

    • Teorema de Bayes

    • Estimador de Laplace

    • Clasificación con Naive Bayes

    • Ventajas e inconvenientes

  • Ejercicio 21: Árbol de decisición C5.0 vs. Chaid en SPSS

  • Ejercicio 22: Segmentación de Clientes de banca móvil usando K means Clustering en R y SAS

  • Ejercicio 23: Naive Bayes en R

​​

 

​​Módulo 10: Modelos de Regresión

  • Regresión Logística

    • Modelización

    • Ventajas e inconvenientes en el riesgo de crédito

    • Validación modelo de regresión logística

    • Regresión Logística para datos de panel

  • Regresión Cox

    • Cox proportional hazards model

  • Regresiones Avanzadas

    • Regresión Logística Multinomial

    • Modelo líneal generalizado GLM

      • Tipología de distribuciones y funciones enlace

    • Modelo GLMM

    • Inflated Beta Regression

    • Regresión Piecewise

    • Fractional Regression

    • Quantile regression

  • Ejercicio 24: Regresión Logística método stepwise en SAS

  • Ejercicio 25: Regresión Inflated Beta Regression

  • Ejercicio 26: Regresión Piecewise en Excel y SAS

  • Ejercicio 27: Cox Regression en R y SAS

Módulo 11: Algoritmos Avanzados NN ySVM

 

  • Support Vector Machine

    • Hiperplano óptimo

    • Support Vectors

    • Añadir costes

    • Ventajas e Inconvenientes

    • Visualiización del SVM

    • Tuning SVM

    • Truco de Kernel

  • Redes Neuronales (Neural Networks NN)

    • Entrenamiento de Perceptron

    • Perceptrón Multicapa

    • Algoritmo de backpropagation

    • Procedimientos de entrenamiento

    • Tuning NN 

    • Visualización de NN

    • Ventajas e inconvenientes

  • Ejercicio 28: Support Vector Machine en SPSS y R

  • Ejercicio 29: Support Vector Machine en SAS

  • Ejercicio 30: Redes Neuronales: perceptron en SAS y SPSS

Módulo 12: Ensemble Learning

 

  • Modelos de conjuntos

  • Bagging

  • Random Forest

  • Boosting

  • Adaboost

  • Boosting y Bagging para modelos de regresión

  • Ventajas e inconvenientes

  • Ejercicio 31: Ensemble models en SAS y SPSS

  • Ejercicio 32: Random Forest en SAS

  • Ejercicio 33: Adaboost en R

Módulo 14: Validación del modelos

  • Verificación p-values en regresiones

  • R cuadrado, MSE, MAD

  • Diagnóstico de los residuos

  • Test de Bondad de Ajuste

    • Deviance

    • Bayesian Information Criterion (BIC)

    • Akaike Information Criterion 

  • Multicolinealidad Multivariante

  • Validación cruzada

  • Bootstrapping del error

  • Matriz de confusión caso binario

  • Matriz de confusión caso multinomial

  • Prueba de Estabilidad

  • Principales test de poder discriminante:

    • KS

    • Curva ROC

    • Curva Lift

    • Gini Index

    • Cumulative Accuracy Profile

    • Distancia de Kullback-Leibler

    • Pietra Index

    • Entropía condicional

    • Valor de Información

    • Tau de Kendall

    • Brier Score

    • Distancia de Mahalanobis

    • Divergencia

    • Hosmer Lemeshow

  • Intervalos de confianza

  • Jackknifing con test de poder discriminante

  • Bootstrapping con test de poder discriminante

  • Estadístico Kappa

  • K-Fold Cross Validation

  • Evaluación del ROI

    • Gráficos del Profit/ROI

  • Ejercicio 34: Test de Bondad de Ajuste Regresión líneal

  • Ejercicio 35: Test de Bondad de Ajuste Regresión Logística

  • Ejercicio 36: Validación cruzada en SAS

  • Ejercicio 37: Estimación Gini, Valor de la Información, Brier Score, Curva Lift, CAP, ROC, Divergencia en SAS y Excel

  • Ejercicio 38: Bootstrapping de parámetros SAS

  • Ejercicio 39: Jackkinifng en SAS

  • Ejercicio 40: Bootstrapping de Gini/ROC en SAS

  • Ejercicio 41: K-Fold Cross Validation en R

  • Ejercicio 42: Evaluación del ROI en SPSS

Módulo 15: CRM Predictive Analytics

 

  • Modelización de Herramientas Predictivas

  • Tipología de herramientas:

    • Response Scoring

    • Income Score

    • Cross Selling

    • Credit Scoring 

    • Behavior Scoring

    • Score de Ingresos

    • Score de Abandono

    • Revenue Score

    • Big Data Scoring

  • Combinación de modelos

  • Matrices duales

  • Caso de Estudio 3: Modelo de abandono en banco europeo usando machine learning

  • Caso de Estudio 4: Modelo predictivo de imágenes para predecir el abandono

  • CREDIT SCORING y BEHAVIOR SCORING

  • Ejercicio 43: Regresión Logística en R y SAS

  • Ejercicio 44: Regresión Cox en R y SAS

  • Ejercicio 45: Redes Neuronales: perceptron en R y SAS

  • Ejercicio 46: Árboles de decisión CHAID en R y SAS

  • Ejercicio 47: Support vector machines en R y SAS

  • Ejercicio 48: Adaboost en R y Ensemble model en SAS

  • MODELO CROSS SELLING y RESPONSE SCORE

  • Ejercicio 49: Redes Bayesianas en SAS

  • Ejercicio 50: Árboles de decisión CHAID en SAS

  • Ejercicio 51: Árbol C5.0 en SAS

  • Ejercicio 52: Ensemble models Response Score en SAS 

  • CHURN SCORE EN TARJETAS DE CRÉDITO

  • Ejercicio 53: Regresión Logística Panel Data SPSS

  • Ejercicio 54: Support vector machines en SPSS

  • Ejercicio 55: Árboles de decisión C5.0 en SPSS
  • Ejercicio 56: Random Forest en SPSS
  • ​Ejercicio 57: Ensemble models Churn Score en SPSS

Módulo 16: Customer Lifetime Value (CLV)

y Modelo de Retención

-Definición CLV

-Estrategias para retener Clientes

-Customer Loyalty

-Enfoque RFM

-Past Customer Value

-Share Of Wallet

-Modelización del CLV

-Enfoque Agregado

-Enfoque Individual

-Componentes del CLV

-Drivers del CLV

-Modelo de Retención simple

-Modelo de Retención General

-Modelos Supervivencia

Caso de Estudio 5: Quantile Regression para el análisis del Customer Lifetime Value

Ejercicio 58: Estimación CLV en Excel

Ejercicio 59: Modelo de Retención simple en SAS

Ejercicio 60: Modelo de Retención General  y análisis de supervivencia y Hazard rates en SAS

Módulo 17: Analítica Social en Facebook

 

 

  • Analítica en las Redes Sociales

  • Definiciones de redes

  • Gráficos

  • Sociogramas

  • Vértices, bordes, nodos, pesos

  • Principales Métricas en la Analìtica Social

  • Medidas de centralidad en las redes

  • Social Network learner

  • Local Model

  • Network Model

  • Probabilistic Relational Neighbor Classifier

  • Relational Logisitic Regression

  • Collective Inferencing

  • Visualización de las Redes Sociales

  • Taxonomía de las visualizaciones

  • Visualización y analítica

  • Analítica Social en Facebook usando R

  • Analítica Social en Twitter usando R

  • Analítica Social en Google Analytics usando R

  • Caso de Estudio 6: Redes para predecir abandono en bancos

  • Ejercicio 61: Carga de datos y Gráficos en R

  • Ejercicio 62: Añadir Vértices en los gráficos R

  • Ejercicio 63: Visualización de Social Networks en R

  • Ejercicio 64: Añadir Vértices en los gráficos R

  • Ejercicio 65: Modelización avanzada de redes en Facebook: grado, diametro, densidad, centralidad, trazado de grafos dirigidos por fuerza,etc.

Módulo 18: Análisis de Sentimientos y Text Mining en Redes Sociales en Twitter

 

  • Definición Text Mining

  • Unstructured Data

  • Análisis Exploratorio

  • Treemaps

  • Modelización predictiva en el Text Mining

    • K-Nearest Neighbors

  • Text Mining en las Redes Sociales

    • Keyword Search

    • Algortimos de clasificación

    • Algoritmos Clustering

  • Sentimiento en lingüística y Psicología

    • Subjetividad

    • Facticidad

  • Lingüística Computacional

    • Lexicón y Corpora

    • Enfoque basado en reglas

    • Enfoque Machine Learning 

  • Análisis de Sentimientos en Twitter

    • Análisis  y Score de polaridad

    • Support Vector Machine

  • Ejercicio 66: Text Mining de un documento en R

  • Ejercicio 67: Treemap de Tweets

  • Ejercicio 68: Análisis de palabras y asociaciones de tweets  

  • Ejercicio 69: Clusters Jerárquicos en SAS

  • Ejercicio 70: Score de polaridad en Twitter

  • Ejercicio 71: Análisis de Sentimientos en Twitter con SVM

Módulo 19: Modelos de Sales Forecasting

  • Tratamiento de los datos

    • Series No Estacionarias

    • Test Dickey-Fuller

    • Pruebas de Cointegración

  • Modelos Predictivos

    • Modelos ARIMA

    • Modelos de Vectores Autoregresivos VAR

    • Modelos ARCH

    • Modelos GARCH

    • Modelo Unifactorial

    • Regresión Líneal

    • Regresión Cox

    • Regresión no lineal

    • Generalized Additived Model

    • Generalized Linear Models

    • Regresión Multinomial

  • Modelos de Machine Learning

    • Supported Vector Machine 

    • Red Neuronal

  • ​Caso de Estudio 7: Forecasting usando de redes neuronales sobre productos bancarios de créditos y depósitos

  • ​Caso de Estudio 8: Forecasting sobre la demanda de efectivo de los cajeros automáticos

  • Ejercicio 72:Pruebas de Series no estacionarias y de cointegración en R y SAS

  • Ejercicio 73: Modelización variables macroeconómicas con vectores autoregresivos en R y SAS

  • Ejercicio 74: Modelización Garch SAS

  • Ejercicio 75: Modelización Machine Learning SPV y NN en SPSS

Módulo 20: Validación de Modelos 

  • Revisión de supuestos de los modelos econométricos

  • Revisión de los coeficientes y errores estándar de los modelos

  • Medidas de la confiabilidad del modelo

  • Gestión de los errores

  • Heterocedasticidad

  • Detección de colinealidad multivariante en regresión lineal

  • Detección de colinealidad multivariante en regresión logística

  • Ejercicio 76: Detección series no estacionarias y cointegración

  • Ejercicio 77: Medición de colinealidad multivariante de modelo de regresión logística y lineal 

 

bottom of page