Una sucursal de un reconocido banco nacional de China tenía un problema de retención con sus clientes de banca privada. Cada cuenta tenía un requisito de depósito mínimo diario de 10 millones de CNY o 1,5 millones de dólares, por lo que el banco entendió que adquirir nuevos clientes sería varias veces más costoso que retener los existentes. La mala noticia era que las tasas de deserción, o el porcentaje de titulares de cuentas que suspendían sus servicios, habían sido más altas de lo esperado en los últimos trimestres.
El banco detectó una tasa de deserción de entre el 5% y el 13% de sus clientes de banca privada que habían estado moviendo sus cuentas de ahorro a otros productos u otros bancos durante un período de unos pocos meses, registrándose el mayor número de clientes perdidos en la sección de Futuros y depósito. Se encomendó al grupo de Marketing del banco la tarea de llevar a cabo una campaña promocional dirigida a los clientes que tenían mayores probabilidades de retirar sus ahorros. El desafío era identificar a los clientes de alto valor que eran más propensos a desertar y luego usar promociones dirigidas de marketing para evitar que esos clientes movieran sus cuentas a otro lugar.
El equipo del proyecto utilizó el motor de aprendizaje de máquina TreeNet® de Salford Predictive Modeler (SPM) para predecir la potencial deserción de clientes. QY Datatech Inc, el socio autorizado de Minitab en China, presentó Salford Predictive Modeler (SPM) al equipo. Eligieron a TreeNet debido a su flexibilidad y precisión, así como por su capacidad para manejar estructuras de datos que tienen muchas observaciones.
TreeNet ayudó al equipo del proyecto a reducir rápidamente las variables que tenían mayor impacto y a ilustrar visualmente la relación entre las variables y la probabilidad de deserción con estas variables identificadas. El modelo TreeNet puede ayudar a visualizar las diferentes capas de interacción entre variables complejas. En este caso, estas variables incluían la cantidad de ahorro, la compra de oro y otras inversiones, el tiempo de la transacción, la cantidad de la transacción, la empresa, el puesto de trabajo, la seguridad social, la deuda, el límite de tarjeta de crédito, los bienes inmuebles y la propiedad de vehículos.
Al eliminar los clientes poco receptivos de la lista y luego validar los modelos, se identificó un grupo objetivo de clientes VIP. Los modelos pudieron predecir el nivel de respuesta de los clientes a las campañas de marketing con base en las campañas de marketing anteriores.
El equipo utilizó el análisis de TreeNet porque, con unos pocos clics y la ayuda de la automatización, el modelo inicial estaba listo con resultados fiables y podían realizarse análisis más complejos en pocos días.
Como resultado, el banco fue capaz de predecir con dos meses de anticipación que 1.700 clientes de banca privada de un total de 12,9 millones podrían perderse ante otro banco o proveedor de servicios financieros con una precisión de entre el 80% y el 90%.
Entonces el banco lanzó una campaña de marketing para esos clientes y logró el objetivo de reducir la pérdida de esos clientes VIP y aumentar los fondos que retiene el banco. Además, los activos de los clientes bajo gestión (AUM), que incluyen depósitos, futuros, acciones y oro, se incrementaron en un 16%.
Una sucursal de un banco nacional de China