Predicting Bank Customer Churn Using a Random Forest Classifier With Engineered Risk Features
Este estudio desarrolla e implementa un tablero interactivo de Streamlit que presenta un clasificador de Random Forest mejorado con características de riesgo diseñadas para predecir con precisión la fuga de clientes bancarios, logrando métricas de alto rendimiento y proporcionando información de retención accionable y explicable para los gestores de relaciones.
Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo
En el mundo de la banca, el dinero no solo se mueve; se mantiene bajo custodia. Pero esa confianza es frágil. Para un banco minorista, el error más costoso no es otorgar un mal préstamo, sino perder a un buen cliente. Adquirir a una persona nueva para que abra una cuenta cuesta significativamente más que mantener feliz a una existente. Esta realidad ha convertido la retención de clientes en un juego de altas apuestas de predicción. Los bancos ahora miran al pasado para adivinar el futuro, planteándose una pregunta simple pero vital: ¿cuál de nuestros clientes está a punto de marcharse? Para responder a esto, los investigadores han recurrido al aprendizaje automático (machine learning), un campo donde las computadoras aprenden a reconocer patrones en vastas cantidades de datos sin ser programadas explícitamente para cada regla. En lugar de un analista humano leyendo miles de archivos, una computadora escanea señales sutiles —como una caída repentina en la actividad de la cuenta o un grupo de edad específico— que a menudo preceden a una partida. El objetivo es detectar estas señales lo suficientemente pronto como para intervenir, ofreciendo ayuda o una mejor oferta antes de que el cliente ya haya decidido irse.
Un estudio reciente de Amula Venkatesh y la Dra. Indira en el Instituto de Tecnología Chaitanya Bharathi en la India aborda este desafío de frente. Se centraron en un conjunto de datos de 10,000 clientes de un banco europeo, un grupo donde casi el 38 por ciento ya se había ido del banco, una cifra que representa una pérdida significativa de ingresos. Los investigadores construyeron un sistema digital diseñado para predecir quién se iría después. No dependieron de una regla única y simple, como "si el saldo es bajo, se irán". En su lugar, utilizaron un método llamado Bosque Aleatorio (Random Forest). Imagine un bosque de árboles de decisión, donde cada árbol observa los datos del cliente desde un ángulo ligeramente diferente. Un árbol podría centrarse en la edad, otro en cuántas tarjetas de crédito poseen y un tercero en su ubicación. Al combinar las opiniones de cientos de estos árboles, el sistema alcanza un consenso que es mucho más preciso y confiable de lo que cualquier árbol individual podría proporcionar por sí solo.
Para hacer este sistema más agudo, los investigadores no solo le suministraron los números brutos que se encuentran en los registros del banco. Crearon pistas "diseñadas" (engineered) mezclando hechos existentes. Calcularon qué parte del salario de un cliente estaba depositada en su cuenta bancaria, una relación que revela qué tan dependiente es la persona de ese banco específico. Observaron cuántos productos tenía un cliente en relación con el tiempo que había sido cliente, midiendo el ritmo de su compromiso. Incluso multiplicaron la edad de un cliente por los años que había estado con el banco para ver si la etapa de la vida jugaba un papel en su lealtad. Estas nuevas combinaciones actuaron como una lupa, resaltando relaciones ocultas que los datos brutos por sí solos habían pasado por alto. Cuando la computadora fue entrenada con esta información enriquecida, aprendió a ver las señales de partida con una claridad notable.
Los resultados de este entrenamiento fueron impactantes. Al ser probada con un grupo de clientes que el sistema nunca había visto, identificó correctamente quién se quedaría y quién se iría con una precisión del 91.4 por ciento. Más importante aún, detectó el 87.8 por ciento de las personas que realmente iban a irse, una métrica crucial para un banco que desea conservar a sus clientes. El sistema funcionó mejor que los métodos más antiguos y simples, como los modelos lineales básicos o los árboles de decisión individuales, y se acercó mucho al rendimiento de sistemas mucho más complejos y computacionalmente pesados. Los investigadores descubrieron que la edad era el predictor individual más fuerte de la partida, seguido de cerca por qué tan activamente un cliente interactuaba con sus productos. También descubrieron que los clientes en Alemania se iban a casi el doble de la tasa que los de Francia o España, una diferencia regional que sugiere que factores locales están en juego.
Quizás la parte más significativa de este trabajo no es solo la predicción, sino la explicación. En el pasado, una computadora podía decir "este cliente se irá" sin decir por qué, dejando al personal del banco confundido e incapaz de actuar. Este nuevo sistema incluye una función que actúa como un reflector, mostrando exactamente qué factores empujaron a un cliente específico hacia la categoría de "en riesgo". Si un cliente es marcado como de alto riesgo, el sistema puede decirle al gerente del banco que es porque el cliente tiene entre 51 y 60 años y ha dejado de usar sus productos, a pesar de que todavía posee varias cuentas. Esta claridad permite al personal del banco ir más allá de las conjeturas. Ahora pueden ofrecer ayuda dirigida, como una revisión financiera para alguien que se acerca a la jubilación o una campaña de reenganche para alguien que se ha vuelto inactivo.
Los investigadores sacaron este modelo del laboratorio de computación y construyeron un tablero (dashboard) interactivo y sencillo que cualquier empleado del banco puede usar. No hay necesidad de conocimientos de programación. Un gerente puede ingresar los detalles de un cliente y la pantalla mostrará un indicador de probabilidad, un nivel de riesgo codificado por colores y una explicación en lenguaje sencillo de los factores de riesgo. Esta herramienta convierte un resultado matemático complejo en una guía práctica para las decisiones comerciales diarias. El estudio sugiere que, al enfocarse en el compromiso en lugar de solo en la propiedad, y al prestar atención a etapas de la vida específicas y diferencias regionales, los bancos pueden mejorar significamente su capacidad para retener clientes. Si bien el modelo es poderoso, los investigadores señalan que se basa en una única instantánea de la historia y que el trabajo futuro podría incluir datos de transacciones en tiempo real para que las predicciones sean aún más oportunas. Por ahora, este sistema ofrece un camino claro y basado en datos para comprender por qué los clientes se van y cómo retenerlos.
¿Ahogado en artículos de tu campo?
Recibe resúmenes diarios de los artículos más novedosos que coincidan con tus palabras clave de investigación — con resúmenes técnicos, en tu idioma.