{"id":{"repo_id":"rosario","oai_identifier":"oai:repository.urosario.edu.co:10336/20011"},"canonical_url":"https://search.dev.ndltd.org/etd/rosario/oai:repository.urosario.edu.co:10336/20011","repository":{"repo_id":"rosario","name":"Universidad del Rosario","base_url":"https://repository.urosario.edu.co/oai/request"},"display":{"title":"Sistema de recomendación de productos financieros : una aplicación empírica en banca de consumo","abstract":"El objetivo de este documento es generar recomendaciones de productos de forma personalizada a los clientes y a su vez campañas comerciales enfocadas en los distintos productos de banca de consumo. Para esto se desarrolla y aplica un sistema de recomendación de productos adecuado a las necesidades prácticas de la banca de consumo. Dicho sistema se encuentra compuesto por un conjunto de modelos de propensión de productos financieros que predice para cada cliente a dos meses los productos más probables a ser adquiridos. De esta forma, el sistema permite desarrollar dos tipos de campañas comerciales: específicas para cada producto o para cada cliente. En las primeras, se busca encontrar a los clientes con mayor propensión de adquirir un producto determinado, mientras que, en las segundas, se quiere encontrar los productos más propensos a ser adquiridos. La aplicabilidad del sistema fue puesta a prueba en una entidad de banca de consumo colombiana. Como resultado, el sistema muestra un alto desempeño de predicción en todos sus productos dadas las restricciones empíricas: un AUC promedio del 87% en la predicción sobre el mes de pruebas para los ocho productos analizados, alta exhaustividad y baja precisión, dándole importancia a la captura del total de clientes que efectivamente van a adquirir el producto ofrecido y un desempeño superior en el MAP@K comparado con el modelo base de K productos populares. Los resultados son acordes a las necesidades de la entidad desde una perspectiva de aplicación al negocio de banca de consumo, a pesar de que las métricas obtenidas no son comparadas con otros modelos más avanzados que el K populares.","abstract_html":"El objetivo de este documento es generar recomendaciones de productos de forma personalizada a los clientes y a su vez campañas comerciales enfocadas en los distintos productos de banca de consumo. Para esto se desarrolla y aplica un sistema de recomendación de productos adecuado a las necesidades prácticas de la banca de consumo. Dicho sistema se encuentra compuesto por un conjunto de modelos de propensión de productos financieros que predice para cada cliente a dos meses los productos más probables a ser adquiridos. De esta forma, el sistema permite desarrollar dos tipos de campañas comerciales: específicas para cada producto o para cada cliente. En las primeras, se busca encontrar a los clientes con mayor propensión de adquirir un producto determinado, mientras que, en las segundas, se quiere encontrar los productos más propensos a ser adquiridos. La aplicabilidad del sistema fue puesta a prueba en una entidad de banca de consumo colombiana. Como resultado, el sistema muestra un alto desempeño de predicción en todos sus productos dadas las restricciones empíricas: un AUC promedio del 87% en la predicción sobre el mes de pruebas para los ocho productos analizados, alta exhaustividad y baja precisión, dándole importancia a la captura del total de clientes que efectivamente van a adquirir el producto ofrecido y un desempeño superior en el MAP@K comparado con el modelo base de K productos populares. Los resultados son acordes a las necesidades de la entidad desde una perspectiva de aplicación al negocio de banca de consumo, a pesar de que las métricas obtenidas no son comparadas con otros modelos más avanzados que el K populares.","abstract_has_math":false,"creators":["Zapata Sanabria, Daniel Ricardo"],"institution":"Universidad del Rosario","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":[],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2019,"date_issued":"2019-06-17","date_published":"2019-06-17","updated_at":"2026-07-27T20:46:54Z","subjects":["Sistemas de recomendación","Personalización","Modelos predictivos","Banca de consumo","Economía financiera","Predicciones","Servicios bancarios","Comportamiento del consumidor"],"languages":["spa"],"rights":["info:eu-repo/semantics/openAccess"],"rights_urls":["http://creativecommons.org/licenses/by-nc-nd/2.5/co/"],"identifier_entries":[{"key":"dc:identifier","label":"Identifier","values":["http://repository.urosario.edu.co/handle/10336/20011"],"render_values":[{"text":"http://repository.urosario.edu.co/handle/10336/20011","href":"http://repository.urosario.edu.co/handle/10336/20011","code":true}]}]},"links":{"outbound_url":"https://doi.org/10.48713/10336_20011","outbound_label":"DOI","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:creator","label":"Author","values":["Zapata Sanabria, Daniel Ricardo"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2019-06-17","2019-07-29T18:06:37Z"]},{"key":"dc:publisher","label":"Institution","values":["Universidad del Rosario","Facultad de Economía","Maestría en Economía"]},{"key":"dc:type","label":"Dc Type","values":["info:eu-repo/semantics/masterThesis","info:eu-repo/semantics/acceptedVersion"]}]},{"id":"subjects_keywords","label":"Subjects and Keywords","entries":[{"key":"dc:subject","label":"Dc Subject","values":["Sistemas de recomendación","Personalización","Modelos predictivos","Banca de consumo","Economía financiera","Predicciones","Servicios bancarios","Comportamiento del consumidor"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["spa"]},{"key":"dc:rights","label":"Dc Rights","values":["info:eu-repo/semantics/openAccess","http://creativecommons.org/licenses/by-nc-nd/2.5/co/"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["https://doi.org/10.48713/10336_20011","http://repository.urosario.edu.co/handle/10336/20011"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["El objetivo de este documento es generar recomendaciones de productos de forma personalizada a los clientes y a su vez campañas comerciales enfocadas en los distintos productos de banca de consumo. Para esto se desarrolla y aplica un sistema de recomendación de productos adecuado a las necesidades prácticas de la banca de consumo. Dicho sistema se encuentra compuesto por un conjunto de modelos de propensión de productos financieros que predice para cada cliente a dos meses los productos más probables a ser adquiridos. De esta forma, el sistema permite desarrollar dos tipos de campañas comerciales: específicas para cada producto o para cada cliente. En las primeras, se busca encontrar a los clientes con mayor propensión de adquirir un producto determinado, mientras que, en las segundas, se quiere encontrar los productos más propensos a ser adquiridos. La aplicabilidad del sistema fue puesta a prueba en una entidad de banca de consumo colombiana. Como resultado, el sistema muestra un alto desempeño de predicción en todos sus productos dadas las restricciones empíricas: un AUC promedio del 87% en la predicción sobre el mes de pruebas para los ocho productos analizados, alta exhaustividad y baja precisión, dándole importancia a la captura del total de clientes que efectivamente van a adquirir el producto ofrecido y un desempeño superior en el MAP@K comparado con el modelo base de K productos populares. Los resultados son acordes a las necesidades de la entidad desde una perspectiva de aplicación al negocio de banca de consumo, a pesar de que las métricas obtenidas no son comparadas con otros modelos más avanzados que el K populares."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:source","label":"Dc Source","values":["Banco Santander. (2016). Santander bank product recommendation competition. Descargado de https://www.kaggle.com/c/santander-product-recommendation","Bennett, J., y Lanning, S. (2007). The Netflix Prize. , 3–6.","Biecek, P. (2018). Dalex: Explainers for complex predictive models in r. Journal of Machine Learning Research, 19(84), 1-5. Descargado de http://jmlr.org/papers/ v19/18-416.html","Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., . . . Li, Y. (2018). xgboost: Extreme gradient boosting [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=xgboost (R package version 0.71.2)","Cheng, H., Lu, Y.-c., y Sheu, C. (2009). Expert Systems with Applications An ontologybased business intelligence application in a financial knowledge management system. Expert Systems With Applications, 36(2), 3614–3622. Descargado de http:// dx.doi.org/10.1016/j.eswa.2008.02.047 doi: 10.1016/j.eswa.2008.02.047","Chirkin, a, Aleksandra. Diskin, D. R. (2018). A Recommender System for Private Banking. Descargado de https://www.incubegroup.com/blog/recommender -system-for-private-banking/","Choudhary, A., y Goila, T. (2019). CAN NEXT BEST PRODUCT OFFERING HELP BANKS BOOST CUSTOMER LOYALTY ? Can Next Best Product Offering Help Banks Boost Customer Loyalty ?","Cremonesi, P., Milano, P., Koren, Y., y Turrin, R. (2015). Performance of Recommender Algorithms on Top-N Recommendation Tasks Categories and Subject Descriptors. (September). doi: 10.1145/1864708.1864721","Friedman, J., Hastie, T., y Tibshirani, R. (2001). The elements of statistical learning (Vol. 1) (n.o 10). Springer series in statistics New York.","Gigli, A., Filopanti, V. Q., y Regoli, D. (2017). Recommender Systems for Banking and Financial Services. , 5–6.","Goldbloom, Anthony. (2019). Kaggle. Descargado de https://www.kaggle.com/","Google developers. (2019). Classification: ROC Curve and AUC. Descargado de https://developers.google.com/machine-learning/crash-course/ classification/roc-and-auc","Gorgoglione, M., y Panniello, U. (2011). Beyond Customer Churn : Generating Personalized Actions to Retain Customers in a Retail Bank by a Recommender System Approach. , 2011(May), 90–102. doi: 10.4236/jilsa.2011.32011","Hu, Y., Koren, Y., y Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. En Data mining, 2008. icdm’08. eighth ieee international conference on (pp. 263–272).","Katsov, I. (2018). Introduction to Algoritmic Marketing. Grid Dynamics.","Kishida, K. (2005). Property of Average Precision and its Generalization : An Examination of Evaluation Indicator for Information Retrieval Experiments Property of Average Precision and its Generalization : An Examination of Evaluation Indicator for Information Retrieval Experiments.","Knott, A., y Neslin, S. A. (2002). Next-product-to-buy models for cross-selling applications. , 16(3), 59–75. doi: 10.1002/dir.10038","LeDell, E., Gill, N., Aiello, S., Fu, A., Candel, A., Click, C., . . . Malohlava, M. (2019). h2o: R interface for ’h2o’ [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=h2o (R package version 3.22.1.1)","Linden, G., Smith, B., y York, J. (2003). Amazon . com. (February).","Modeling, U., y Burke, R. (2014). Hybrid Recommender Systems : Survey and Experiments Hybrid Recommender Systems :. (November). doi: 10.1023/A","Molnar, C., y cols. (2018). Interpretable machine learning: A guide for making black box models explainable. Christoph Molnar, Leanpub.","Pazzani, M. J., y Billsus, D. (2007). Content-Based Recommendation Systems. , 325–341.","Pryor, A. (2016). Santander Product Recommendation Competition Solution. Descargado de http://alanpryorjr.com/2016-12-19-Kaggle-Competition-Santander -Solution/","R Core Team. (2017). R: A language and environment for statistical computing. Descargado de https://www.R-project.org/","Ricci, F., Rokach, L., y Shapira, B. (2011). Introduction to Recommender Systems Handbook. Springer Science + usiness Media. doi: 10.1007/978-0-387-85820-3","Rifkin, R., y Klautau, A. (2004). In defense of one-vs-all classification. Journal of machine learning research, 5(Jan), 101–141.","Sarwar, B., Karypis, G., Konstan, J., y Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. En Proceedings of the 10th international conference on world wide web (pp. 285–295).","Van de Wiele, T. (2016). Santander Product Recommendation. Descargado de https://ttvand.github.io/Second-place-in-the-Santander-product -Recommendation-Kaggle-competition/","Vico, D. G., y Huecas, G. (2012). Generating Context-aware Recommendations using Banking Data in a Mobile Recommender System. (c), 73–78.","Zibriczky, D. (2016). Recommender systems meet finance: a literature review.","instname:Universidad del Rosario","reponame:Repositorio Institucional EdocUR"]},{"key":"dc:title","label":"Title","values":["Sistema de recomendación de productos financieros : una aplicación empírica en banca de consumo"]}]}],"canonical_facts":{"dc:creator":["Zapata Sanabria, Daniel Ricardo"],"dc:date":["2019-06-17","2019-07-29T18:06:37Z"],"dc:description":["El objetivo de este documento es generar recomendaciones de productos de forma personalizada a los clientes y a su vez campañas comerciales enfocadas en los distintos productos de banca de consumo. Para esto se desarrolla y aplica un sistema de recomendación de productos adecuado a las necesidades prácticas de la banca de consumo. Dicho sistema se encuentra compuesto por un conjunto de modelos de propensión de productos financieros que predice para cada cliente a dos meses los productos más probables a ser adquiridos. De esta forma, el sistema permite desarrollar dos tipos de campañas comerciales: específicas para cada producto o para cada cliente. En las primeras, se busca encontrar a los clientes con mayor propensión de adquirir un producto determinado, mientras que, en las segundas, se quiere encontrar los productos más propensos a ser adquiridos. La aplicabilidad del sistema fue puesta a prueba en una entidad de banca de consumo colombiana. Como resultado, el sistema muestra un alto desempeño de predicción en todos sus productos dadas las restricciones empíricas: un AUC promedio del 87% en la predicción sobre el mes de pruebas para los ocho productos analizados, alta exhaustividad y baja precisión, dándole importancia a la captura del total de clientes que efectivamente van a adquirir el producto ofrecido y un desempeño superior en el MAP@K comparado con el modelo base de K productos populares. Los resultados son acordes a las necesidades de la entidad desde una perspectiva de aplicación al negocio de banca de consumo, a pesar de que las métricas obtenidas no son comparadas con otros modelos más avanzados que el K populares."],"dc:format":["application/pdf"],"dc:identifier":["https://doi.org/10.48713/10336_20011","http://repository.urosario.edu.co/handle/10336/20011"],"dc:language":["spa"],"dc:publisher":["Universidad del Rosario","Facultad de Economía","Maestría en Economía"],"dc:rights":["info:eu-repo/semantics/openAccess","http://creativecommons.org/licenses/by-nc-nd/2.5/co/"],"dc:source":["Banco Santander. (2016). Santander bank product recommendation competition. Descargado de https://www.kaggle.com/c/santander-product-recommendation","Bennett, J., y Lanning, S. (2007). The Netflix Prize. , 3–6.","Biecek, P. (2018). Dalex: Explainers for complex predictive models in r. Journal of Machine Learning Research, 19(84), 1-5. Descargado de http://jmlr.org/papers/ v19/18-416.html","Chen, T., He, T., Benesty, M., Khotilovich, V., Tang, Y., Cho, H., . . . Li, Y. (2018). xgboost: Extreme gradient boosting [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=xgboost (R package version 0.71.2)","Cheng, H., Lu, Y.-c., y Sheu, C. (2009). Expert Systems with Applications An ontologybased business intelligence application in a financial knowledge management system. Expert Systems With Applications, 36(2), 3614–3622. Descargado de http:// dx.doi.org/10.1016/j.eswa.2008.02.047 doi: 10.1016/j.eswa.2008.02.047","Chirkin, a, Aleksandra. Diskin, D. R. (2018). A Recommender System for Private Banking. Descargado de https://www.incubegroup.com/blog/recommender -system-for-private-banking/","Choudhary, A., y Goila, T. (2019). CAN NEXT BEST PRODUCT OFFERING HELP BANKS BOOST CUSTOMER LOYALTY ? Can Next Best Product Offering Help Banks Boost Customer Loyalty ?","Cremonesi, P., Milano, P., Koren, Y., y Turrin, R. (2015). Performance of Recommender Algorithms on Top-N Recommendation Tasks Categories and Subject Descriptors. (September). doi: 10.1145/1864708.1864721","Friedman, J., Hastie, T., y Tibshirani, R. (2001). The elements of statistical learning (Vol. 1) (n.o 10). Springer series in statistics New York.","Gigli, A., Filopanti, V. Q., y Regoli, D. (2017). Recommender Systems for Banking and Financial Services. , 5–6.","Goldbloom, Anthony. (2019). Kaggle. Descargado de https://www.kaggle.com/","Google developers. (2019). Classification: ROC Curve and AUC. Descargado de https://developers.google.com/machine-learning/crash-course/ classification/roc-and-auc","Gorgoglione, M., y Panniello, U. (2011). Beyond Customer Churn : Generating Personalized Actions to Retain Customers in a Retail Bank by a Recommender System Approach. , 2011(May), 90–102. doi: 10.4236/jilsa.2011.32011","Hu, Y., Koren, Y., y Volinsky, C. (2008). Collaborative filtering for implicit feedback datasets. En Data mining, 2008. icdm’08. eighth ieee international conference on (pp. 263–272).","Katsov, I. (2018). Introduction to Algoritmic Marketing. Grid Dynamics.","Kishida, K. (2005). Property of Average Precision and its Generalization : An Examination of Evaluation Indicator for Information Retrieval Experiments Property of Average Precision and its Generalization : An Examination of Evaluation Indicator for Information Retrieval Experiments.","Knott, A., y Neslin, S. A. (2002). Next-product-to-buy models for cross-selling applications. , 16(3), 59–75. doi: 10.1002/dir.10038","LeDell, E., Gill, N., Aiello, S., Fu, A., Candel, A., Click, C., . . . Malohlava, M. (2019). h2o: R interface for ’h2o’ [Manual de software inform´atico]. Descargado de https://CRAN.R-project.org/package=h2o (R package version 3.22.1.1)","Linden, G., Smith, B., y York, J. (2003). Amazon . com. (February).","Modeling, U., y Burke, R. (2014). Hybrid Recommender Systems : Survey and Experiments Hybrid Recommender Systems :. (November). doi: 10.1023/A","Molnar, C., y cols. (2018). Interpretable machine learning: A guide for making black box models explainable. Christoph Molnar, Leanpub.","Pazzani, M. J., y Billsus, D. (2007). Content-Based Recommendation Systems. , 325–341.","Pryor, A. (2016). Santander Product Recommendation Competition Solution. Descargado de http://alanpryorjr.com/2016-12-19-Kaggle-Competition-Santander -Solution/","R Core Team. (2017). R: A language and environment for statistical computing. Descargado de https://www.R-project.org/","Ricci, F., Rokach, L., y Shapira, B. (2011). Introduction to Recommender Systems Handbook. Springer Science + usiness Media. doi: 10.1007/978-0-387-85820-3","Rifkin, R., y Klautau, A. (2004). In defense of one-vs-all classification. Journal of machine learning research, 5(Jan), 101–141.","Sarwar, B., Karypis, G., Konstan, J., y Riedl, J. (2001). Item-based collaborative filtering recommendation algorithms. En Proceedings of the 10th international conference on world wide web (pp. 285–295).","Van de Wiele, T. (2016). Santander Product Recommendation. Descargado de https://ttvand.github.io/Second-place-in-the-Santander-product -Recommendation-Kaggle-competition/","Vico, D. G., y Huecas, G. (2012). Generating Context-aware Recommendations using Banking Data in a Mobile Recommender System. (c), 73–78.","Zibriczky, D. (2016). Recommender systems meet finance: a literature review.","instname:Universidad del Rosario","reponame:Repositorio Institucional EdocUR"],"dc:subject":["Sistemas de recomendación","Personalización","Modelos predictivos","Banca de consumo","Economía financiera","Predicciones","Servicios bancarios","Comportamiento del consumidor"],"dc:title":["Sistema de recomendación de productos financieros : una aplicación empírica en banca de consumo"],"dc:type":["info:eu-repo/semantics/masterThesis","info:eu-repo/semantics/acceptedVersion"]},"updated_at":"2026-07-27T20:46:54Z"}