[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"doc-detail-126280-es":3,"doc-seo-126280-110":31,"detail-sidebar-cat-0-es-110":92},{"code":4,"msg":5,"data":6},0,"success",{"doc_id":7,"user_id":8,"nickname":9,"user_avatar":10,"doc_module":4,"category_id":11,"category_name":12,"doc_title":13,"doc_description":14,"doc_content":15,"file_id":16,"file_url":17,"file_type":18,"file_size":19,"view_count":20,"is_deleted":4,"is_public":21,"is_downloadable":21,"audit_status":21,"page_count":22,"language":23,"language_code":24,"site_id":25,"html_lang":24,"table_of_contents":26,"faqs":27,"seo_title":28,"seo_description":14,"update_tm":29,"read_time":30},126280,2336475104736,"Quinn","https://ap-avatar.wpscdn.com/avatar/22000c4c5e0e5b17e70?x-image-process=image/resize,m_fixed,w_180,h_180&k=1786591360781797222",41,"Investigación e Informes","Comparación e Interpretación de Algoritmos de Machine Learning para la Predicción de Conversión de Clientes Potenciales","Trabajo de pasantía orientado a implementar y evaluar un modelo predictivo para el Banco de Bogotá, con el fin de identificar clientes potenciales con alta probabilidad de convertirse en clientes activos. Tras un análisis exploratorio y preprocesamiento de datos, se proban algoritmos iniciales (Random Forest, SVM y regresión logística), obteniéndose resultados limitados. La solución se basa en un modelo de ensamblaje sustentado en SVM, controlando sobreajuste con TomekLinks, imputando con KNN y seleccionando variables mediante regresión logística. La mejora se valida con métricas de sensibilidad y especificidad, fortaleciendo la clasificación y apoyando la segmentación y conversión a corto y mediano plazo.","Comparación e Interpretación de Algoritmos de Machine Learning para la Predicción de Conversiónde Clientes Potenciales en el Banco de Bogotá  \nINFORME DE PASANTÍA PARA OPTAR POR EL TÍTULO DE  \nMATEMÁTICO  \nAutor:  \nJuan Camilo Herrera Wilches  \nTutores:  \nLuis Fernando Villarraga Poveda, Docente Director Luis Miguel Garcia Mora, Profesional Designado  \nUniversidad Distrital Francisco José de Caldas Matemáticas  \nBogotá, Colombia  \nSeptiembre de 2024  \nEste trabajo se enfoca en la implementación de un modelo predictivo para el Banco de Bogotá, con el objetivo de identificar clientes potenciales con alta probabilidad de convertirse en clientes activos. El modelo desarrollado basado en aprendizaje automático, usa una base de datos con información relevante e histórica de los usuarios del banco que sirvió para hacer un análisis exploratorio y una selección de características previa.  \nInicialmente, se emplearon algoritmos como Random Forest, maquinas de soporte vectorial (SVM) y regresión logística; sin embargo, los resultados predichos no fueron satisfactorios. Por ende, la solución a esto fue desarrollar un modelo de ensamblaje basado en SVM, donde se maneja el sobreajuste con TomekLinks, se imputaron datos con K-vecinos próximos (KNN) y se eligieron las características más importantes mediante una regresión logística. Como consecuencia, se obtuvo un modelo final más robusto que aumento su capacidad predictora, como lo confirman las métricas de Sensibilidad y Especificidad.  \nPalabras Clave  \nModelo Predictivo, Machine Learning, Adquisición de Clientes, Segmentacion de Clientes, Análisis Bancario  \nÍndice  \nResumen i  \nPalabras Clave i  \nPágina  \n1. Introducción 1  \n2. Objetivos 2  \n2.1. Objetivo General .............................. 2  \n2.2. Objetivos Específicos ............................ 2  \n3. Conceptos Previos 3  \n3.1. Análisis de Datos: .............................. 3  \n3.2. Preprocesamiento de Datos: ........................ 3  \n3.3. Selección de Características ........................ 5  \n3.4. Desarrollo y Validación de Modelos Predictivos ............. 7  \n3.5. Evaluación y Optimización ......................... 10  \n4. Aplicación y Resultados 10  \n4.1. Recolección de los datos .......................... 11  \n4.2. Análisis Exploratorio ............................ 12  \n4.3. Preprocesamiento de Datos ......................... 14  \n4.4. Selección de Características ........................ 15  \n4.5. Entrenamiento de Modelos y Evaluación de Rendimiento ........ 15  \n5. Recomendaciones 18  \n6. Conclusiones 18  \nReferencias 20  \nA. Anexos 21  \nÍndice de figuras  \n1. Diagrama de Flujo del método propuesto ................. 11  \n2. Proporción de Clientes Actuales vs Potenciales .............. 12  \n3. Diagrama de densidad de Tiempo En Base ................ 13  \n4. Distribución del tiempo en la Base por Segmento Empresaria ...... 13  \n5. Distribución Original vs Distribución Imputada ............. 14  \n6. Matriz de correlación para algunas variables del conjunto de datos ... 15  \nÍndice de tablas  \n1. Definiciones de Medidas de tendencia central y dispersión poblacional . 3  \n2. Comparación de métricas entre algoritmos de clasificación ....... 16  \n3. Metricas Algoritmo de Ensamblaje basado en SVM ........... 17  \n1 . Introducción  \nEl uso de técnicas de machine learning (ML) en el sector bancario ha adquirido gran importancia. Estas técnicas permiten a las instituciones financieras optimizar sus estrategias de marketing, segmentar clientes y, fundamentalmente, predecir su compartimiento [1] .  \nEl Banco de Bogotá enfrenta desafíos en este ámbito, ya que carece de un enfoque eficaz para identificar y priorizar a los clientes con mayor probabilidad de conversión. Así, la clasificación binaria que se utiliza para categorizar datos en dos clases distintasse convierte en una técnica sofisticada y una solución conveniente, que optimiza el proceso de conversión y mejoran la competitividad del banco.  \nLa decisión de clasificar a ","cbCaipuNyamZ6zA0","https://ap.wps.com/l/cbCaipuNyamZ6zA0","pdf",1343892,3,1,27,"Spanish","es",110,"# Introducción\n# Objetivos\n## Objetivo General\n## Objetivos Específicos\n# Conceptos Previos\n## Análisis de Datos\n## Preprocesamiento de Datos\n## Selección de Características\n## Desarrollo y Validación de Modelos Predictivos\n## Evaluación y Optimización\n# Aplicación y Resultados\n## Recolección de los datos\n## Análisis Exploratorio\n## Preprocesamiento de Datos\n## Selección de Características\n## Entrenamiento de Modelos y Evaluación de Rendimiento\n# Recomendaciones\n# Conclusiones\n# Referencias\n# Anexos","[{\"question\":\"Cuál es el objetivo del modelo predictivo desarrollado para el Banco de Bogotá?\",\"answer\":\"Construir y entrenar un modelo que clasifique clientes potenciales según la probabilidad de convertirse en clientes actuales, apoyando la segmentación y la conversión.\"},{\"question\":\"Qué problemas de datos afectan la predicción y cómo se abordan?\",\"answer\":\"Los datos son heterogéneos, inconsistentes y desbalanceados. Se controla el sesgo y el sobreajuste usando TomekLinks y se imputan valores faltantes con KNN.\"},{\"question\":\"Por qué se descartan los algoritmos iniciales y qué aporta el modelo de ensamblaje?\",\"answer\":\"Random Forest, SVM y regresión logística no lograron una capacidad predictora satisfactoria. El ensamblaje basado en SVM, junto con selección de características por regresión logística, produce un modelo más robusto y mejora las métricas de sensibilidad y especificidad.\"}]","Comparación e Interpretación de Algoritmos de Machine Learning para la Predicción de Conversión de Clientes Potenciales | PDF",1785904238,42,{"code":4,"msg":32,"data":33},"ok",{"site_id":25,"language":24,"slug":34,"title":13,"keywords":35,"description":14,"schema_data":36,"social_meta":87,"head_meta":89,"extra_data":91,"updated_unix":29},"comparative-study-and-interpretation-of-machine-learning-algorithms-for-predicting-conversion-of-potential-customers","",{"@graph":37,"@context":86},[38,54,69],{"@type":39,"itemListElement":40},"BreadcrumbList",[41,45,49,51],{"item":42,"name":43,"@type":44,"position":21},"https://docshare.wps.com","Home","ListItem",{"item":46,"name":47,"@type":44,"position":48},"https://docshare.wps.com/es/document/","Document",2,{"item":50,"name":12,"@type":44,"position":20},"https://docshare.wps.com/es/document/investigación-e-informes/",{"item":52,"name":13,"@type":44,"position":53},"https://docshare.wps.com/es/document/comparative-study-and-interpretation-of-machine-learning-algorithms-for-predicting-conversion-of-potential-customers/126280/",4,{"url":52,"name":13,"@type":55,"author":56,"headline":13,"publisher":58,"fileFormat":61,"inLanguage":24,"description":14,"dateModified":62,"datePublished":63,"encodingFormat":61,"isAccessibleForFree":64,"interactionStatistic":65},"DigitalDocument",{"name":9,"@type":57},"Person",{"url":42,"name":59,"@type":60},"DocShare","Organization","application/pdf","2026-08-16","2026-08-05",true,{"@type":66,"interactionType":67,"userInteractionCount":20},"InteractionCounter",{"@type":68},"ViewAction",{"@type":70,"mainEntity":71},"FAQPage",[72,78,82],{"name":73,"@type":74,"acceptedAnswer":75},"Cuál es el objetivo del modelo predictivo desarrollado para el Banco de Bogotá?","Question",{"text":76,"@type":77},"Construir y entrenar un modelo que clasifique clientes potenciales según la probabilidad de convertirse en clientes actuales, apoyando la segmentación y la conversión.","Answer",{"name":79,"@type":74,"acceptedAnswer":80},"Qué problemas de datos afectan la predicción y cómo se abordan?",{"text":81,"@type":77},"Los datos son heterogéneos, inconsistentes y desbalanceados. Se controla el sesgo y el sobreajuste usando TomekLinks y se imputan valores faltantes con KNN.",{"name":83,"@type":74,"acceptedAnswer":84},"Por qué se descartan los algoritmos iniciales y qué aporta el modelo de ensamblaje?",{"text":85,"@type":77},"Random Forest, SVM y regresión logística no lograron una capacidad predictora satisfactoria. El ensamblaje basado en SVM, junto con selección de características por regresión logística, produce un modelo más robusto y mejora las métricas de sensibilidad y especificidad.","https://schema.org",{"og:url":52,"og:type":88,"og:title":13,"og:site_name":59,"og:description":14},"article",{"robots":90,"canonical":52},"index,follow",{"doc_id":7,"site_id":25},{"code":4,"msg":5,"data":93},[94,99,103,107,111,113,117,121,124,128],{"id":95,"doc_module":4,"doc_module_name":47,"category_name":96,"show_sort_weight":97,"slug":98},39,"Cómic",60,"comic",{"id":100,"doc_module":4,"doc_module_name":47,"category_name":101,"show_sort_weight":97,"slug":102},43,"Estilo de Vida","lifestyle",{"id":104,"doc_module":4,"doc_module_name":47,"category_name":105,"show_sort_weight":97,"slug":106},38,"Examen","exam",{"id":108,"doc_module":4,"doc_module_name":47,"category_name":109,"show_sort_weight":97,"slug":110},44,"General","general",{"id":11,"doc_module":4,"doc_module_name":47,"category_name":12,"show_sort_weight":97,"slug":112},"research-report",{"id":114,"doc_module":4,"doc_module_name":47,"category_name":115,"show_sort_weight":97,"slug":116},37,"Literatura","literature",{"id":118,"doc_module":4,"doc_module_name":47,"category_name":119,"show_sort_weight":97,"slug":120},22,"Relatos y Novelas","story-novel",{"id":30,"doc_module":4,"doc_module_name":47,"category_name":122,"show_sort_weight":97,"slug":123},"Religión y Espiritualidad","religion-spirituality",{"id":125,"doc_module":4,"doc_module_name":47,"category_name":126,"show_sort_weight":97,"slug":127},40,"Salud y Atención Médica","healthcare",{"id":129,"doc_module":4,"doc_module_name":47,"category_name":130,"show_sort_weight":97,"slug":131},24,"Tecnología","technology"]