Sistema de recomendación para productos bancarios con técnicas de machine learning

Simple item page
dc.contributor.advisorMartínez Carrillo, Fabio
dc.contributor.advisorRamos Pollan, Raul
dc.contributor.authorMartinez Lizarazo, Sergio
dc.date.accessioned2024-03-04T00:04:25Z
dc.date.available2018
dc.date.available2024-03-04T00:04:25Z
dc.date.created2018
dc.date.issued2018
dc.description.abstractEl comercio electrónico se ha incrementado en estos últimos años, lo que ha llevado que varios sectores comerciales usen los recursos tecnológicos disponibles para mejorar sus estrategias de marketing y ventas. Uno de los sectores que poco a poco ha incursionado en la tecnología es el sector bancario, brindando diferentes canales de comunicación para sus clientes, esto con el fin de mejorar la interacción que tienen con el banco a través de plataformas web y móviles. Poder ofrecer todos los productos y servicios que un banco tiene disponible de una manera personalizada a cada uno de sus clientes, es un reto, esto debido a la gran cantidad de tiempo y dinero que pueden demandar estas tareas. Una de las soluciones para este problema son los sistemas de recomendación, que pueden brindar sugerencias personalizadas a cada uno de los clientes de una manera automática. Por estas razones, este proyecto presenta una propuesta para la recomendación personalizada de productos bancarios a través de técnicas de aprendizaje automático, o machine learning. Este trabajo está basado en la competencia de recomendación de productos bancarios ofrecida por el Banco Santander a través de Kaggle, que tiene como objetivo la recomendación efectiva de productos bancarios que un cliente pueda añadir a los productos que ya tiene. Para lograr esto, se plantea un flujo de tareas, que incluye analítica y procesamiento de datos, y la creación y validación de modelos predictivos. Para la validación de estos modelos se usaron los datos que ofrece la competencia, en los que se encuentran registros de un poco más de 950.000 clientes en un período de un año y medio. El mejor modelo que se obtuvo tiene un rendimiento del 69,12% como promedio de pruebas realizadas con datos de seis meses diferentes.
dc.description.abstractenglishThe e-commerce has growth in the last few years, for this reason some commercial and business sectors have migrated to the new technologies to improve their marketing and sales strategy. The banking industry has gradually implemented new channels of communications, through apps and web platforms, to offer a better experience to its customers. Today is a challenge to offer new banking products to the customers in a personalized way, because it needs many resources such time and money. A recommender system might be a solution to this problem, because it can generate recommendations in an personalized and automatic way. Therefore, this project is an approach to a recommender system for banking products with Machine Learning techniques. This project is based on the Kaggle competition about banking product recommendation, it is offered by Santander Bank, where the goal is to predict which new banking products were most likely to buy. The proposed method to achieve this goal is to workflow that includes data analysis and processing and predictive models making. The validation of the predictive models used data offered by the competition that consisted of 1.5 years of nearly 950000 customers behavior data from Santander bank. The best predictive model has a 69.12% performance as per the tests with six different month data.
dc.description.degreelevelPregrado
dc.description.degreenameIngeniero de Sistemas
dc.format.mimetypeapplication/pdf
dc.identifier.instnameUniversidad Industrial de Santander
dc.identifier.reponameUniversidad Industrial de Santander
dc.identifier.repourlhttps://noesis.uis.edu.co
dc.identifier.urihttps://noesis.uis.edu.co/handle/20.500.14071/38590
dc.language.isospa
dc.publisherUniversidad Industrial de Santander
dc.publisher.facultyFacultad de Ingenierías Fisicomecánicas
dc.publisher.programIngeniería de Sistemas
dc.publisher.schoolEscuela de Ingeniería de Sistemas e Informática
dc.rightshttp://creativecommons.org/licenses/by/4.0/
dc.rights.accessrightsinfo:eu-repo/semantics/openAccess
dc.rights.creativecommonsAtribución-NoComercial-SinDerivadas 4.0 Internacional (CC BY-NC-ND 4.0)
dc.rights.licenseAttribution-NonCommercial 4.0 International (CC BY-NC 4.0)
dc.rights.urihttp://creativecommons.org/licenses/by-nc/4.0
dc.subjectSistema De Recomendación
dc.subjectAnálisis De Datos
dc.subjectAprendizaje Automático
dc.subjectIngeniería De Características
dc.subjectÁrboles De Decisión
dc.subjectBosques Aleatorios
dc.subject.keywordRecommender System
dc.subject.keywordData Analytics
dc.subject.keywordMachine Learning
dc.subject.keywordFeature Engineering
dc.subject.keywordDecision Tree
dc.subject.keywordRandom Forest.
dc.titleSistema de recomendación para productos bancarios con técnicas de machine learning
dc.title.englishRecommender system for banking products with machine learning techniques
dc.type.coarhttp://purl.org/coar/version/c_b1a7d7d4d402bcce
dc.type.hasversionhttp://purl.org/coar/resource_type/c_7a1f
dc.type.localTesis/Trabajo de grado - Monografía - Pregrado
Files
Original bundle
Now showing 1 - 3 of 3
No Thumbnail Available
Name:
Carta de autorización.pdf
Size:
266.29 KB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Documento.pdf
Size:
1.13 MB
Format:
Adobe Portable Document Format
Download
No Thumbnail Available
Name:
Nota de proyecto.pdf
Size:
233.41 KB
Format:
Adobe Portable Document Format
Download
Collections
Ingeniería de Sistemas