El equipo de Data Scientist de Bluetab diseñó un automatismo para la extracción y tratamiento de las bases muestrales y la posterior recogida, tratamiento y análisis de las respuestas de los clientes. Para ello, se utilizó en las primeras versiones SPSS migrado a R y Python, Spider, tratamiento de base de datos en SQL para finalizar en una preparación para la introducción de resultados de encuestas realizados con IA.

Diseño del modelo predictivo de Fraudes Web realizado por Bluetab para un entidad financiera líder del mercado Español 

Consiste en desarrollar un algoritmo predictivo capaz de clasificar las sesiones de navegación según su similitud con las sesiones en las que se ha producido una transferencia fraudulenta. La salida de este algoritmo será un scoring (o una probabilidad) que permitirá ordenar dichas sesiones por su probabilidad de ser fraudulentas. 

Para ello se utiliza información de la gestión de alertas y reclamaciones de fraude en Transferencias de Banca a Distancia , así como la información diaria de las sesiones de navegación por la web y en la APP; siendo por tanto el público objetivo o población sobre la que se va a ejecutar este modelo aquella que haya iniciado una sesión por uno u otro medio.

Nuestra metodología se basa en la construcción del target en el cruce entre fraude e información de navegación (proceso más crítico de un modelo predictivo), en el diagnóstico de incoherencias entre operaciones fraudulentas que no cuenten con una sesión asociada de los datos anómalos con algún registro incorrecto en la fecha.

En el acompañamiento a la estrategia tecnológica de una de las entidades financieras líderes, se implementa un algoritmo de machine learning para predecir y priorizar el mejor mix de offering a proponer a los clientes, con el objetivo de incrementar el cross-selling y la vinculación de la base de clientes instalada.

Mediante la implementación del ML se consigue potenciar la estrategia comercial de la entidad, ampliando la visión cliente e integrándose con el CRM actual, lo que incrementará la probabilidad de éxito de las acciones a realizar mejorando los ingresos y la satisfacción y fidelidad de clientes. Para esto el algoritmo prioriza a través de campañas existentes cruzando con los productos alternativos como son préstamos, hipotecas, fondos, tarjetas, planes de pensiones o diferentes modalidades y coberturas de seguro (hogar, salud, automóvil)

Como output se pretende evidenciar la mejora midiendo el incremento en indicadores concretos como son: