Sistemas de recomendación y beneficios bancarios.

1. Un modelo de beneficios bancarios
innovador basado en la personalización
Maestrando: Lic. Mijail Kiektik
Tutor: Dr. Javier García Fronti
MBA Base tecnológica
Universidad de Buenos Aires

2. Acerca de mi
MBA Base
Tecnológica
Licenciado en
Administración
Académico
Industria Bancaria
Inteligencia Comercial
(BI / Data Mining)
Digitalización, Experiencia del
Cliente
Profesional
Emprendedurismo
Innovación Tecnológica
Personalización
Intereses
Motivación: proponer un modelo de negocio innovando a través de
TIC’s, aprovechando mi experiencia en la industria bancaria.

3. Adquirir
Clientes
Rentabilizarlos Fidelizarlos
Pregunta Inicial
¿Cómo innovar en un banco usando inteligencia artificial?
¿Cuáles son los objetivos comerciales de un banco?

4. Propósito especificado
¿Cómo personalizar (innovar) programas de beneficios (fidelización)
utilizando Sistemas de Recomendación (Big Data)?
Resultado: propuesta de un nuevo modelo de beneficios
(y un sistema de recomendación de tiendas)

5. Algunas definiciones preliminares…

6. Innovación en Modelo de Negocio
PRODUCCIÓN MERCADO
LÓGICA DEL VALOR AGREGADO INNOVACIÓN

7. Programas de Beneficios
Promociones y
Descuentos Compras
con Tarjetas (Cashback)
Herramienta de
fidelización N° 1,
determina el uso de TC
Entre las consultas más
realizadas en
Mobile Banking
Generan Principalidad
Apalancan Comisiones
TC: 30% Ingresos

8. Personalización
Fidelización de clientes
Genera mayor satisfacción
Incremento de ventas
(consumos con TC)
Requiere el uso de artefactos
(Sistemas de Recomendación)
Generar propuestas de valor (beneficios) diferenciadas de acuerdo a las
necesidades de cada cliente (características, comportamiento y contexto).

9. Inteligencia Artificial
Sistema que imitan las funciones cognitivas humanas…
(como aprender a resolver problemas)
…en nuestro caso: imitar a un experto en sugerir tiendas…
…utilizando Aprendizaje automático y Razonamiento
Basado en Casos.

10. Sistemas de Recomendación
Herramientas
de
Personalización
Sugerir
Ítems
(tiendas) a
Usuarios
(Clientes)
Resuelven
el exceso de
información
Explotan Big Data
Emulan a
expertos
humanos
Aprendizaje
automático
Inteligencia
artificial

11. Pasemos a nuestra investigación…

12. Investigación
¿Qué características tienen los modelos de beneficios actuales? ✓
¿La Personalización mejora la Experiencia del Cliente y la Fidelización? ✓
¿Cuáles son los distintos modelos en Sistemas de Recomendación? ✓
(benchmark)
¿Cuáles son los requerimientos del sistema para el caso de estudio? ✓
(relevamiento)
Nuevo Modelo de
Beneficios
Sistema de
Recomendación
Diseño Evaluación

13. Modelo de Beneficios Actual
BANCO MARCAS
CLIENTES
Alianza
Beneficios
estáticos
homogéneos
• Un rubro de tiendas x día
• Beneficios especiales en marcas por
tiempo determinado

14. Nuevo Modelo de Beneficios
PERSONALIZADOS
PUBLICITADOS
Subasta
Beneficios
Personalizados
BANCO
MARCAS
CLIENTES
AGENCIAS
MKT
+ FIDELIZACIÓN / RETENCIÓN
+ COMISIONES
+ INGRESOS (ADS)
Cupones dirigidos
segmentadamente
(CLM)
¿CÓMO?

15. Objetivos de
negocio
Necesidades
de Clientes
Especificaciones
Datos
disponibles
Benchmark
de
Algoritmos
Restricciones
Diseño
del
Sistema
¿Cómo Personalizar?
Análisisdelcasodeunbancoargentino:

16. Caso: Objetivos de negocio
Rentabilizar
Fidelizar
Adquirir
Gestión de la Experiencia del Cliente
Desarrollo de Canales Digitales
Innovación / Simplificación procesos
Mejora de programas de Beneficios
P
E
R
S
O
N
A
L
I
Z
A
C
I
Ó
N

17. Caso: Necesidades de Clientes
- Personalizada, contextualizada y
relevante
Experiencia Digital
- Relevantes, diversidad de opciones, de
búsqueda intuitiva y fácil
Beneficios
EMPODERAR PERFILAR
ADAPTAR
RELEVANTE FACIL
CONOCIDOPREDECIR FLEXIBLE

18. Especificaciones
Las necesidades de los clientes y objetivos de negocio nos
permiten definir una serie de especificaciones de diseño:
Diversidad Personalización Adaptabilidad
Rol Transparencia Encasillamiento
Utilidad Adecuación
Confianza Sorpresa
CARACTERÍSTICAS DEL MODELO VARIABLES OBJETIVO

19. Datos disponibles
Clientes (usuarios)
• Demografía
• Intereses
• Nivel de ingresos
• Utilización de beneficios
Tiendas (ítems)
• Rubro
• Subrubro
• Popularidad
• Ticket promedio
Compras (transacciones)
• Montos
• Cantidades
• Frecuencia

20. Benchmark de Algoritmos
Demográficos
• Grupos de
usuarios
• Encasillamiento
• Rol
• Confiabilidad
Contenido
• Etiquetas de
ítems
• Personalización
• Encasillamiento
• Confiabilidad
Colaborativo
• Usuarios / ítems
correlacionados
• Personalización
• Diversidad
• Sorpresa
Contextual
• Tiempo, día y
localización.
• Adaptabilidad
• Encasillamiento
• Rol
Probabilístico
•Prob. estimada de
compra
•Exacto
•Poco diverso
Híbrido
• Combinaciones
• Distintos tipos
de hibridación
En Memoria En modelo

21. Características del sistema
Dominios muy
diferentes
(rubros)
Clientes con
perfiles variados
Conocimiento
de rubros
dispares
Contextos muy
cambiantes
Mucha
información
aprovechable
Modelo híbrido
adaptado por casos
Criterios
• Promover las especificaciones relevadas
• Explotar la mayor cantidad de datos
posibles
• Sortear las limitaciones y desventajas de
cada modelo

22. Propuesta: Sistema de Recomendación
Modelo
Demográfico
Modelo de
Contenido
Modelo
Colaborativo
Modelo
Contextual
α.MD + β.MCT + γ.MCB + ε.MCL = Pr.ui (SOLUCIÓN)
Con los parámetros α + β + γ + ε = 1
Parametrización a través de un proceso de optimización utilizando razonamiento basado en casos.
Encasillamiento
Sorpresa / Diversidad /
Personalización
Relevancia /
Personalización
Adaptabilidad / Rol

23. Nuevo caso
(Conocimiento, edad,
sexo, rubro, contexto)
Casos similares
recuperados
Optimización
de parámetros
Evaluación
del resultado
Recuperación
Reutilización
SOLUCION
(Pr.iu)Revisar
Retener
Casos Previos con
características
Razonamiento Basado en Casos

24. Optimización de parámetros
Cliente
• Edad
• Sexo
• Nivel de
Ingresos
• Conocimiento
del rubro
• Nivel de
consumos
Tienda
• Rubro
• Subrubro
• Ticket
promedio
Contexto
• Día de la
semana
• Hora
• Movilidad
• Estado del
tiempo
VARIABLES SCORE
De cada variable
Para cada
modelo

25. Aspectos
Subjetivos
Aspectos Objetivos
Modelos /
Algoritmos
Popularidad
Personalización
Variedad
Capacidad de
Predicción
Adaptabilidad
Variedad
Percibida
Calidad
Percibida
Adecuación
Experiencia
Satisfacción
Utilidad
Sorpresa
Interacción
Características Situacionales y Personales
Reutilización
Compra
Híbridos
Individuales
Despersonalizado
Evaluación del Sistema

26. Aportes
NUEVO MODELO DE
BENEFICIOS
+ FIDELIZACIÓN + INGRESOS
DISEÑO DEL SISTEMA
DE RECOMENDACIÓN
EVALUACIÓN DEL
SISTEMA
ESTUDIO DE
PERSONALIZACIÓN Y
PROGRAMAS DE
BENEFICIOS

27. Gracias!

28. ANEXOS