Resumen:
CONDITION FOR PUBLICATION OF PROJECT. The issuance of credit cards plays a crucial role for financial institutions, as it allows them to generate revenue through fees, interest, and installments, while also providing benefits to both customers and the institutions. For these entities, accurately forecasting credit card demand is essential, as it enables them to optimize resource allocation, design more effective marketing campaigns, and manage financial risks more efficiently.
A predictive pipeline based on time series analysis was developed using an AutoML approach, which automates the training, evaluation, and selection of the most appropriate model using metrics such as the coefficient of determination (R²) and mean squared error (MSE). The results showed R² values of 0.5294 for the aggregate of all entities, 0.7822 for Diners Club, and 0.6127 for Produbanco, with an overall average of 64.8%, which validates the model’s ability to capture the behavior and trends of each institution.
Based on these results, an interactive web tool was developed, allowing financial institutions to predict future credit card demand, thus optimizing strategic decision-making. The tool includes an interactive dashboard through which users can explore various data features and visualize the performance of the entities. Additionally, it facilitates the comparison of these results with those of competitors, improving the effectiveness of commercial and marketing policies by providing a clearer view of market trends.
Keywords: Credit Card Issuance, AutoML, Time Series, Prediction
Descripción:
CONDICIONAMIENTO DE PUBLICACION DE PROYECTO. La emisión de tarjetas de crédito juega un papel crucial para las entidades financieras, ya que les permite generar ingresos mediante comisiones, intereses y cuotas, al mismo tiempo que brinda beneficios tanto a los clientes como a las instituciones. Para las entidades, prever con precisión la demanda de tarjetas es fundamental, ya que les permite optimizar la asignación de recursos, diseñar campañas de marketing más efectivas y gestionar de manera más eficiente los riesgos financieros.
Se desarrolló un pipeline predictivo basado en series de tiempo utilizando un enfoque de AutoML, que automatiza el proceso de entrenamiento, evaluación y selección del modelo más adecuado mediante métricas como el coeficiente de determinación (R²) y el error cuadrático medio (MSE). Los resultados mostraron coeficientes de determinación (R²) de 0.5294 para el agregado de todas las entidades, 0.7822 para Diners Club y 0.6127 para Produbanco, con un promedio general de 64.8%, lo que valida la capacidad del modelo para capturar el comportamiento y las tendencias de cada institución.
Con base en estos resultados, se desarrolló una herramienta web interactiva que permite a las entidades financieras predecir la demanda futura de tarjetas de crédito, optimizando así la toma de decisiones estratégicas. La herramienta incluye un tablero interactivo mediante el cual los usuarios pueden explorar las diferentes características de los datos y visualizar el desempeño de las entidades. Además, facilita la comparación de estos resultados con los de sus competidores, mejorando la eficacia de las políticas comerciales y de marketing al proporcionar una visión más clara de las tendencias del mercado.
