sofisticacion analitica para el conocimiento...

Copyr i g ht © 2012, SAS Ins t i tu t e Inc . A l l r ights reser ve d .

SOFISTICACION ANALITICA PARA EL CONOCIMIENTO

DEL CLIENTE Y PERSONALIZACIÓN DE LA

PROPUESTA DE VALOR

Carlos Mendoza Astroz

SAS INSTITUTE

Domain Expert

[email protected]


AGENDA

1. La nueva visión del cliente: una perspectiva analítica

2. Nuevos paradigmas de modelamiento analítico

del conocimiento del cliente (KYC)

a. Perspectiva tradicional

b. Ciencias del comportamiento

c. Redes sociales (SNA)

d. Minería de texto (TM)

e. Social media

3. Nuevas tecnologías en el conocimiento del

cliente (KYC)

a. Big data

b. Almacenamiento distribuido

c. High Performance Analytics (HPA)

4. Conclusiones


NUEVA VISIÓN DE CLIENTE: UNA PERSPECTIVA

ANALÍTICA


ISSUES EN EL CONOCIMIENTO DEL CLIENTE

(KYC)

Silos de información y de visiones del cliente

Inconsistencia de información

Resultados analíticos no están a tiempo para generar valor en la organización

Procesos e interacciones del negocio permanecen desconectados de resultados analíticos


PARADIGMAS EN EL CONOCIMIENTO DEL CLIENTE

(KYC)


CIENCIAS DEL

COMPORTAMIENTO

• Behavior economics

• Behavior finance

• Behavior Marketing

MODELOS ANALÍTICOS

TRADICIONALES

(desde el individuo)

MODELOS ANALÍTICOS NO

TRADICIONALES

(SNA, TM y Social Media)

High Performance

AnalyticsAlmacenamiento distribuido

Conocimiento del

cliente (KYC)

Millones de clientes - grandes conjuntos de información -

simultáneamente

Toma de deciones

analiticas a cerca del

cliente

CIENCIAS DEL COMPORTAMIENTO


NUEVOS PARADIGMAS DE MODELAMIENTO

ANALÍTICO DEL KYC


Definición. Conocimiento del cliente. Es el conjunto de características y

comportamientos que ejemplifican las variables de mayor significancia en la

conducta de los clientes, generadas en base a su perfil transaccional e

información sociodemográfica. Con esta información en algunos casos se

complementan con procesos de gestión documental y debida diligencia.

Tradicionalmente se analiza al consumidor basado en el

comportamiento racional, individualista y aislado.

Informacion de productos

transaccionales

Promedios por

montos …Promedios por

transaccion

Variables del Buro y puntajes

asociados

Otras variables

sociodemografica

Acco

un

t_ty

pe

_de

sc

Acco

un

t_o

pen

_da

te

Acco

un

t_clo

se_

date

Acco

un

t_sta

tus_

date

Acco

un

t_sta

tus_

desc

Acco

un

t_ta

x_

id_

typ

e_co

de

Dorm

an

t_in

d

Ind

ustr

y_

co

de

La

st_

activity_

date

Pro

du

ct_

ca

tego

ry_

nam

e

Pro

du

ct_

line

_n

am

e

Pro

du

ct_

na

me

am

ou

nt_

10

030

am

ou

nt_

10

040

am

ou

nt_

10

010

am

ou

nt_

11

030

am

ou

nt_

31

83

am

ou

nt_

11

010

tra

ncn

t_1

00

30

tra

ncn

t_1

00

40

tra

ncn

t_1

00

10

tra

ncn

t_1

10

30

tra

ncn

t_3

18

3

tra

ncn

t_1

10

10

eve

nt_

co

un

t_3

0

eve

nt_

co

un

t_6

0

eve

nt_

co

un

t_9

0

cre

dits_

co

un

t_3

0

cre

dits_

co

un

t_6

0

cre

dits_

co

un

t_9

0

de

bits_

co

un

t_30

de

bits_

co

un

t_60

de

bits_

co

un

t_90

cre

dits_

am

t_3

0 …

ESTRUCTURA ANALITICA TRADICIONAL

Vector KYC


ESTRUCTURA ANALITICA TRADICIONAL

Sample Explore Modify Model Assess

Utility



Definición. Ciencias del

comportamiento (Behavior

economics, Behavior finance,

Behavior Marketing). Es una

sombrilla que busca entender y

explicar el comportamiento

observado del consumidor

utilizando nuevos supuestos mas

allá de su perfil financiero y

sociodemográfico, incluye la

psicología y sociología.

Se ha reconocido que el proceso de toma de decisiones de los

consumidores va mas allá de un comportamiento racional tal modelo de

comportamiento del consumidor (psicométrico y conductual) deben

ser comprendidos e incorporados en la toma de decisiones

buscando identificar su conducta.



Ciencias del comportamiento

Analítica tradicional

• Perfiles financiero

• Perfil sociodemográfico

Modelamiento:

1. Segmentación

2. Scores

3. Regresión logística

Analítica No tradicional

Conocimiento del cliente

• Perfil psicológico

• Perfil conductual

Nuevas técnicas:

1. SNA

2. Minería de texto

3. Social Media

Visión aislada e individualista en la

toma de decisiones Tendencias, comunidades,

preferencias sociales, sentimientos.

Modelos tradicionales


ESTRUCTURA ANALITICA NO TRADICIONAL

ANALISIS DE REDES SOCIALES

El Análisis de las Redes

Sociales (SNA) es un enfoque

sobre estructuras sociales. El

SNA parte de la premisa que

entidades sociales son creadas

por relaciones y patrones de

comportamiento originados por

sus vinculos.

Formalmente, una red social es usualmente definida como un

conjunto de actores sociales, o nodos, cuyos miembros están

conectados por uno o varios tipos de relaciones. Los nodos son,

mayormente, individuos, grupos u organizaciones. El SNA puede

considerar redes con otros tipos de nodos, tales como páginas web,

blogs, artículos de revistas, etc.



MINERIA DE TEXTO

El objetivo de la minería de texto es el descubrimiento de

información nueva a partir de colecciones de documentos de

texto no estructurado. Esto quiere decir que la información que

contienen dichas colecciones de documentos están en lenguaje

natural aunque también se podría utilizar otro tipo de información

textual.

Content

CategorizationText Mining

Sentiment

Analysis

Ontology

Management

Contextual

Analysis



SOCIAL MEDIA

Escucha Emplea Apalanca

• Entender los

sentimientos,

tendencias,

problemas y

oportunidades

• Descubre nuevos

tópicos o issues

relevantes.

• Establece relaciones

con comunidades y

consumidores y es

capaz de generar

herramientas para

ganar su confianza

• Apalanca y proporciona

feedback en distintos

aspectos que enriquecen

el comportamiento del

cliente.

Social Media Analytics es una herramienta que permite comprender y

analizar la reacción e impacto de productos, servicios, mercados y

campañas en las redes sociales. Analiza millones de comentarios en

las redes sociales y proporciona resultados agrupados

metodológicamente en gráficos y paneles de control.


Encontrar información clave en

datos no estructurados

como pueden ser encuestas de

servicio o información en medios

sociales, con la finalidad de extraer

el sentimiento de un cliente

Extraer patrones valiosos

(consumo, preferencia,

etc.) de fuentes de datos

para soportar la toma de

decisiones

Modelamiento de un

conjunto de actores

sociales, cuyos miembros

están conectados por uno

o varios tipos de

relaciones

Comprende, analiza y

determina el impacto

de productos,

servicios, mercados,

campañas en las

redes sociales

SNA

Minería de datos

ANÁLISIS DE TEXTO

SOCIAL MEDIA

ANALYTICS

Análisis tradicional

KYC

Copyright © 2011, SAS Institute Inc. All rights reserved.

VISION ANALITICA 360O DEL CLIENTE

Gestión documental y

Debida diligencia


VISIÓN DE NUEVAS TECNOLOGÍAS EN EL KYC


La construcción de información y modelos para

millones de clientes simultáneamente desde

sus variables sociodemográficas y financieras

(estructurada), además de información útil

para otros análisis como SNA, TM y SM

plantea otros interrogantes a solucionar:

1. Cada vez contamos con más información

en nuestras bases de datos, podemos

disponer de ella en nuestros análisis del

conocimiento del cliente?

2. Es posible analizar estos volúmenes de

información en tiempos razonables para

tomar decisiones?


SOCIAL MEDIA


QUE ES EL BIG DATA? Son las herramientas, procesos y

procedimientos que permiten a una organización crear, manipular y

manejar grandes conjuntos de información dentro de plazos,

velocidades, variedades y complejidades aceptables, junto con el

almacenamiento del volumen necesario para soportarlo.

Source: IDC Digital Universe Study, sponsored by EMC, May 2010

Un ZETTABYTE

es equivalente a

1000 millones de

discos de desktop

de hoy (terabytes)


SOCIAL MEDIA


COMPOSICION DE DATOS: ESTRUCTURADOS,

SEMIESTRUCTURADOS Y NO ESTRUCTURADOS

EN UNA ORGANIZACION

Datos estructuradosBases de datos

Datos semi-

estructurados

Datos no

estructuradosTexto, audio

5%

25%

70%

SAS Institute


VOLUME

VARIETY

VELOCITY

VALUE

TODAY THE FUTURE

DA

TA

SIZ

E

THRIVING IN THE BIG DATA ERA

COMPOSICION DE DATOS: ESTRUCTURADOS,

SEMIESTRUCTURADOS Y NO ESTRUCTURADOS

EN UNA ORGANIZACION


2000’s(ADMINISTRACION DIGITAL DE ACTIVOS)

1990’s(RDMBS, DATA WAREHOUSE, ETC.)

2010’s(NO-SQL, NO ESTRUCTURADO, ETC.)

VO

LU

ME

N D

E

INF

OR

MA

CIO

N

GRANDE

PEQUENO

Medido en

TERABYTES1TB = 1,000GB

Medido en

PETABYTES1PB = 1,000TB

Medido en

ZETTABYTES1EB = 1,000PB

COMPOSICION DE DATOS: ESTRUCTURADOS, SEMIESTRUCTURADOS Y NO ESTRUCTURADOS EN

UNA ORGANIZACION


Con esta nueva realidad (grandes volúmenes de información,

creciendo exponencialmente en su mayoría de tipo no

estructurado) como se puede generar valor en el conocimiento del

cliente?

1. Se puede contar con toda la información disponible (en sentido

amplio) para efectuar modelos analíticos desde puntos de vista

geográfico, demográfico, psicológico y conductual?

2. Se puede analizar toda la información para generar políticas de

KYC? y personalización de la propuesta de valor?


SOCIAL MEDIA


SIMPLICIDAD OPERACIONAL

ALTAEFICIENCIA

ALTORENDIMIENTO

ESCALAMIENTOMASIVO

Big data


Almacenamiento y

procesamiento no distribuido

Almacenamiento y

procesamiento distribuido

Cuál es su importancia?

Permite desarrollar tareas de almacenamiento de

forma masiva. Es decir, almacena grandes

volúmenes de datos (ZETTABYTES), en entornos

formados por muchas máquinas sencillas

(distribuidos), para luego agregarlos de forma

consistente.

Ventajas:

1. Disminuye costos de almacenamiento de

información de clientes.

2. Permite aumentar la capacidad de

interpretar grandes volúmenes de

información de clientes

Que es almacenamiento distribuido? Es una

forma de almacenar grandes volúmenes de

información a costos razonables.


SOCIAL MEDIA


SAS® HIGH-PERFORMANCE ANALYTICS

Que es High performance analytics?

Son metodologías que permiten analizar y

procesar grandes volúmenes de

información de manera eficiente, es decir,

en tiempos razonables. Reducciones de

200%-5000% en tiempos de análisis de

información.


Utilización de toda la información disponible en el KYC

Almacenamiento distribuido

de Información estructurada

y no estructurada de

millones de clientes

simultáneamente

Procesamiento por HPA

para un modelo de 360o del

cliente.

Conclusión: Inmensos volúmenes de información (almacenamiento

distribuido) de clientes simultáneamente analizados en pocos

minutos (HPA) para determinar una visión 360 del cliente

SAS® HIGH-PERFORMANCE ANALYTICS


Proceso actual Proceso de alto desempeño

Un algoritmo (red neuronal) Múltiples algoritmos (e.g. pronostico,

regresión logística., etc.)

7 iteraciones de una red neuronal 5000 iteraciones de una red neuronal en

70 minutos

1 modelo por día 1 modelo en 30 minutos

5 horas para procesar el modelo 3 minutos para procesar el modelo

lift de 1.6% lift de 2.5%

ANALÍTICA DE ALTO DESEMPEÑO:

MODELOS DE ADQUISICIÓN DE CLIENTES


CONCLUSIONES


CIENCIAS DEL

COMPORTAMIENTO

• Behavior economics

• Behavior finance

• Behavior Marketing

MODELOS ANALÍTICOS

TRADICIONALES

(desde el individuo)

MODELOS ANALÍTICOS NO

TRADICIONALES

(SNA, TM y Social Media)

High Performance

AnalyticsAlmacenamiento distribuido

Conocimiento del

cliente (KYC)

Millones de clientes - grandes conjuntos de información -

simultáneamente

Toma de decisiones

analíticas a cerca del

cliente



1. Re-pensar el cliente como visión de largo plazo y del cliente

360º (sociodemográfico, financiero psicológico conductual).

2. Es necesario tener una visión tanto tecnológica como analítica

del KYC.

3. Es posible analizar grandes volúmenes de información para

incorporar estos procesos en las tomas de decisión.

4. Evolución, implementación y aplicación de procesos analíticos

sencillos y complejos.

5. Combinación de resultados analíticos sobre la población (no la

muestra).

RETOS

1. Empezar una labor de inclusión de nuevos datos e información

2. Estrategia de Information Management e Inclusión de nuevas

tecnologías

CONCLUSIONES


MUCHAS GRACIAS

SOFISTICACION ANALITICA PARA EL CONOCIMIENTO

DEL CLIENTE Y PERSONALIZACIÓN DE LA

PROPUESTA DE VALOR

Carlos Mendoza Astroz

SAS INSTITUTE

Domain Expert

[email protected]

@SAS_Colombia

youtube.com/SASsoftware

www.sascolombia.com

www.linkedin.com/company/sas-colombia

http://www.sascolombia.com/

sofisticacion analitica para el conocimiento...

Documents