Modelo de Machine Learning para la Identificaci n de Fuga de Clientes del BBVA Colombia hacia Neo bancos - Informe de pasantía para optar por el título de Matemático

Sep 17, 2026

Subir por Finn

La migración de clientes de bancos tradicionales hacia neobancos, entidades financieras 100% digitales, implica pérdidas financieras y disminución de oportunidades comerciales. Para mitigar esa fuga, se desarrolla la construcción, entrenamiento y evaluación de varios modelos de machine learning basados en el comportamiento transaccional de los clientes del BBVA Colombia. Se emplea un conjunto de datos anonimizados de cinco meses y se define una variable objetivo para clientes que realizan transferencias hacia neobancos. El trabajo aborda el desequilibrio entre clases con estrategias de balanceo y compara cinco algoritmos bajo validación temporal, analizando métricas y variables influyentes.

IdiomaSpanish

CategoríaInvestigación e Informes

FormatoPDF

Páginas20

Tiempo de lectura31 min

AccesoGratis para descargar

Tabla de contenidos

Introducción

Objetivos

Objetivo General

Objetivos Específicos

Breve reseña histórica del BBVA

Marco Teórico

Técnicas de Modelado

Desbalance de Clases

Validación cruzada estratificada

Importancia de variables

Metodología

Resultados y Análisis

Población Analizada

Preprocesamiento de los Datos

Balanceo de Clases

Métricas y Resultados

Conclusión

UNIVERSIDAD DISTRITAL FRANCISCO JOS DE CALDAS PROYECTO CURRICULAR DE MATEMTICA Modelo de Machine Learning para la Identificaci n de Fuga de Clientes del BBVA Colombia hacia Neo bancos INFORME DE PASANT ´IA PARA OPTAR POR EL T ´ITULO DE MATEMTICO PROYECTO CURRICULAR DE MATEMTICAS Angel Gustavo Granados Sumalave Profesor Director Heber Sarmiento Barrera Profesional Designado John Pablo Calvo Lpez Bogot D.C. Septiembre 2025 Resumen La migracin de clientes de bancos tradicionales hacia neo bancos (entidad financiera 100% digital e independiente de la banca tradicional) representa una prdida de recursos principalmente financieros y de oportunidades comerciales. Para mitigar sta fuga, se propone un estudio para seleccionar un modelo predictivo basado en machine learning que identifique clientes con alta probabilidad de transferir fondos a entidades 100% digitales. Palabras Clave Machine Learning, Anlisis de Fuga, BBVA, Neo bancos Agradecimiento Expreso mi sincero agradecimiento a todo el equipo de profesores de la Universidad que hicieron posible mi formacin acadmica, cuyo compromiso y dedicacin fueron fundamentales en este camino. Tambin quiero agradecer a mis compaeros, quienesestuvieron a mi lado a lo largo de la carrera y compartieron conmigo aprendizajes y experiencias valiosas. De manera especial, agradezco a mis padres, cuyo apoyo, paciencia y confianza fueronesenciales para que hoy pueda culminar mis estudios y consolidar mi formacin como matemtico. ´Indice 1. Introduccin 4 2. Objetivos 5 2.1. Objetivo General ............................... 5 2.2. Objetivos Especficos ............................. 5 3. Breve resea histrica del BBVA 6 4. Marco Terico 7 4.1. Tcnicas de Modelado ............................ 7 4.1.1. Mtricas a considerar de los modelos ................ 8 4.1.2. Explicacin de los modelos a usar .................. 9 4.2. Desbalance de Clases ............................. 11 4.3. Validacin cruzada estratificada ....................... 12 4.4. Importancia de variables ........................... 13 5. Metodologa 14 6. Resultados y Anlisis 15 6.1. Poblacin Analizada ............................. 15 6.2. Preprocesamiento de los Datos ....................... 15 6.3. Balanceo de Clases .............................. 16 6.4. Mtricas y Resultados ............................ 17 7. Conclusin 19 1. Introduccin Se desarrolla una construccin, entrenamiento y evaluacin de varios modelos de machine learning con el objetivo de seleccionar uno (el ms estable en el tiempo) para predecir la migracin de clientes del BBVA Colombia hacia neo bancos, basado en elanlisis de su comportamiento transaccional. La investigacin utiliza un conjunto de datos anonimizados que abarca un periodo de cinco meses (Diciembre 2024 -Abril 2025) . La base de datos principal se toma de un estudio basado en las reglas de negocio del banco, la cul se define a partir de una muestra del 27, 01% de los clientes activos. Sobre sta muestra, se aplicaron filtros de actividad econmica, recurrencia y saldos paradelimitar una poblacin de inters, con ste subconjunto, la variable objetivo (Target=1) fue asignada a los clientes que realizaron transferencias a neo bancos bajo criterios definidos, los cuales constituyen el 6, 11% de la sub-muestra. El modelo de prediccinse entrena y evala sobre esta poblacin final. El desafo tcnico identificado en el conjunto de datos es el desequilibrio entre las clases, donde la proporcin de clientes con comportamiento de fuga es minoritaria. Se detalla la metodologa de investigacin implementada, desde la definicin del problema y el tratamiento de los datos, hasta la experimentacin con cinco algoritmos declasificacin y la estrategia de balanceo en los datos. Finalmente, se presentan los resultados, se analiza el rendimiento de los modelos evaluados y se proponen conclusiones basadas en la evidencia. 2. Objetivos 2.1. Objetivo General Desarrollar

Preguntas frecuentes

Cuál es el objetivo principal del modelo propuesto?

Desarrollar y validar un modelo supervisado que identifique clientes con mayor probabilidad de fuga del BBVA Colombia hacia neobancos, priorizando la clase minoritaria y generando un ranking de probabilidad.

Cómo se define la variable objetivo (Target=1) en el estudio?

Se asigna Target=1 a los clientes que realizaron transferencias a neobancos bajo criterios definidos a partir de una muestra de clientes activos y filtrada mediante reglas de negocio.

Qué problema técnico se presenta en el conjunto de datos y cómo se aborda?

El conjunto de datos tiene desequilibrio entre clases, ya que los casos de fuga son minoritarios; se implementan estrategias de balanceo combinando submuestreo y sobremuestreo para mejorar el rendimiento.

Sep 17, 2026

Subir por Finn