de clientes - segmentacion
Transcript of de clientes - segmentacion
![Page 1: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/1.jpg)
Técnicas de monitoreo de clientes -segmentacion
PRÁCTICAS ANTI LAVADO DE ACTIVOS, FINANCIACION DEL TERRORISMO Y CORRUPCION - PALATC
![Page 2: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/2.jpg)
Agenda
1. Principios estadísticos.
2. La segmentación como herramienta de monitoreo.
3. Alcance de la segmentación.
4. Modelos estadísticos aplicables.
5. Uso de herramientas estadísticas para la segmentación de los factores de riesgo.
![Page 3: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/3.jpg)
La Estadística es la rama de las matemáticas queestudia la variabilidad, así como el procesoaleatorio que la genera siguiendo leyes deprobabilidad.
Su resultado basa su éxito en el ordenamiento, elanálisis e interpretación de datos generados en lavaloración de hechos, individuos, datos, paradeducir de ello conclusiones precisas,probabilidades o estimaciones futuras.
La estadística se fundamenta enaspectos asociados a:
Principios estadísticos
![Page 4: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/4.jpg)
Eventos determinísticos / se conoce el resultado
de la situación
Definir la población - determinar la muestra y aplicar la técnica
Eventos aleatorios / se desconoce el resultado final
Técnicas de análisis
Distribución NORMAL – BINOMIAL -POISSON
Variables cualitativas y cuantitativas – Continuas y discretas –
Dependientes e independientes
Muestreo
![Page 5: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/5.jpg)
PROCESO DE
SEGMENTACION
MODELOS
ESTADISTICOS
La segmentación y la estadística
CBJ: Es el proceso por medio del cual se lleva a cabo laseparación de elementos en grupos homogéneos alinterior de ellos y heterogéneos entre ellos. Laseparación se fundamenta en el reconocimiento dediferencias significativas en sus características(variables de segmentación).
❑ Consolidación de cierta información❑ Sistematización de esos datos❑ Evaluación del resultado
![Page 6: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/6.jpg)
Clasificar
Que no es segmentar
RIESGO ALTO
RIESGO MEDIO
RIESGO BAJO
![Page 7: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/7.jpg)
Que no es segmentar
Combinar
Trasladar
Foto estática
![Page 8: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/8.jpg)
Segmentar es
AGRUPAR
![Page 9: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/9.jpg)
Razonamiento I
Para que el proceso de segmentación puedadeterminar lógicamente la detección deoperaciones inusuales, es indispensable conocer:
Pasado Transaccional ( )
Futuro transaccional ( )
![Page 10: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/10.jpg)
Respuesta
![Page 11: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/11.jpg)
Alcance de lasegmentación
Reglas de relevancia
![Page 12: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/12.jpg)
Minería de datos
METODOLOGIA CRISP-DM
![Page 13: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/13.jpg)
Minería de datos
METODOLOGIA CRISP-DM
Fase Inicial
Cumplimiento de objetivos
Alcance de los productos
Mercado Objetivo
Colección de datos inicial
Identificación de problemas
Conocimiento de datos
Planteamiento para el mejoramiento
![Page 14: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/14.jpg)
Minería de datos
METODOLOGIA CRISP-DM
Selección de tablas y atributos
Transformación de datos
Limpieza de los datos
Recalibrar la preparación
Aplicación de técnicas entendimiento
de grupo de datos
Calibración de valores óptimos
![Page 15: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/15.jpg)
Minería de datos
METODOLOGIA CRISP-DM
Comparación del modelo Vs
Objetivos
Revisión de cumplimiento de
los pasos anteriores
Despliegue del modelo
Supervisión del resultado
![Page 16: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/16.jpg)
Herramientas estadísticaspara la segmentación de losfactores de riesgo
Modelos estadísticos aplicables
![Page 17: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/17.jpg)
La segmentación como herramienta de monitoreo
(…) Las entidades deben segmentar sus
clientes de acuerdo con las características
particulares de cada uno de ellos,
garantizando homogeneidad al interior de
los segmentos y heterogeneidad entre ellos.
(…)
![Page 18: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/18.jpg)
Análisis de conglomerados (clúster)
![Page 19: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/19.jpg)
Es un método estadístico que permite formar grupos de
elementos (clientes) utilizando sus características (ingreso,
monto de las transacciones, frecuencia de operación, etc.).
Metodología aglomerativa
![Page 20: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/20.jpg)
Rangos transaccionales
homogéneos
Valores financieros cercanos
Asignación de segmentos
heterogéneos
1
2
3
ANALISIS DE RESULTADOS
$
%
#
T
P
![Page 21: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/21.jpg)
Metodología Jerárquica
Técnica que permite
encontrar patrones de
comportamiento basados en un
conjunto de variables
independientes. “Mapa” de los
posibles resultados de una serie
de decisiones relacionadas.
Arboles de Clasificación
![Page 22: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/22.jpg)
Redes Neurales
Categorizan grandes
cantidades de datos mediante
su representación en un mapa
bidimensional, que muestra las
similitudes de los datos, de tal
modo que datos similares
aparecen representados en
regiones contiguas o
adyacentes.
Self-Organizing Maps - SOM
![Page 23: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/23.jpg)
Análisis log-lineal
•Análisis log-lineal: Analiza la
relación entre variables
dependientes (o de respuesta) y
variables independientes (o
explicativas). Las variables
dependientes siempre son
categóricas, mientras que las
variables independientes pueden
ser o no categóricas (factores).
![Page 24: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/24.jpg)
Razonamiento IILa segmentación se aplica a cada uno de losfactores de riesgo o a la base general de clientespara luego determinar el factor de riesgoinfluyente:
Falso ( ) Verdadero ( )
![Page 25: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/25.jpg)
Respuesta
![Page 26: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/26.jpg)
Uso de Herramientas estadísticas
Caso de negocio
![Page 27: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/27.jpg)
❑K- means
![Page 28: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/28.jpg)
Ejemplo de algoritmo en “R”
Definición de las variables utilizadas en la base de datos
TIPO ID
NUMERO
DESCRIPCION PRODUCTO
TIPO DE CLIENTE
NATURALEZA
NICHO
ACTIVIDAD ECONOMICA
CATEGORIA ACTIVIDAD
CANAL DE DISTRIBUCION
ZONA O JURISDICCION
CANTIDAD CREDITOS
VALOR DE CREDITOS
CANTIDAD DEBITOS
VALOR DE DEBITOS
VALOR INGRESOS
VALOR EGRESOS
![Page 29: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/29.jpg)
Cargue de comandos en «R»
Instalación R versión 3.4.0 en adelante.
1- Importación del archivo
> setwd «ruta y nombre del archivo»
> library(readxl)
> Pn<-read_excel «nombre del archivo y de la hoja a usar»
2- Cargar el paquete o librería en «r»
> library(dplyr)
![Page 30: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/30.jpg)
Ejecución comandos «R»
3- Selección de variables.
< clustervar<-select(Pn, 'NUMERO ID', 'NATURALEZA', 'CATEGORIA
ACTIVIDAD', 'CANAL', 'JURISDICCION','CREDITOS', 'CANTIDAD, etc)
4- Cargar el paquete «cluster».
< library(cluster)
5- Se calcula la distancia de los datos con gowerdis <- daisy(clustervar[,-1],
metric = c("gower"))
6- Cargar paquete < library(purrr)
![Page 31: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/31.jpg)
Ejecución comandos «R»
7- Cálculo de clúster. (1 es buen cluster)
< sil_width<-map_dbl(2:40,function(k){
model<-pam(x=gowerdis,k=k)
model$silinfo$avg.width})
8- Construcción de un «data frame».
< sil_df<-data.frame( k=2:40, sil_width= sil_width)
9- Ver el consolidado de clúster «Número de Clúster - nc»
< sil_df
Asignar al modelo < model<-pam(x=gowerdis,k= nc)
![Page 32: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/32.jpg)
Ejecución comandos «R»
10- Conteo de número de casos
< segments<-mutate(clustervar,cluster=clust ”nc”)
![Page 33: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/33.jpg)
Ejecución comandos «R»
![Page 34: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/34.jpg)
Base final por segmento
![Page 35: de clientes - segmentacion](https://reader035.fdocument.pub/reader035/viewer/2022081604/62c1812caa667236bd0f07c7/html5/thumbnails/35.jpg)
¡Gracias!
Alexander Devia BetancourAsesor Experto en PALATCm. +57 (316) 525 8352
www.riesgocero.com