📊 Desafío: Análisis de Retención de Clientes — Andes Bank
Andes Bank enfrenta una tasa de abandono estructural del 20.4%. El objetivo de este análisis es identificar los drivers críticos de churn y generar un enfoque de retención proactiva basado en datos, priorizando la experiencia del cliente y la fidelización de segmentos de alto valor.
Indicadores clave evaluados:
- Magnitud del Churn: Determinación de la línea base de pérdida.
- Perfil Demográfico Crítico: Segmentos Senior y mercado alemán con mayor vulnerabilidad.
- Fricción por Multiproducto: Riesgo asociado a la complejidad de la relación financiera.
- Causalidad por Experiencia: Impacto de quejas y problemas operativos en la fuga de clientes.
| Librería | Propósito |
|---|---|
| pandas | ETL, limpieza de datos y segmentación por ciclo de vida (age_group, tenure_group). |
| matplotlib / seaborn | Visualizaciones de alto impacto para presentar hallazgos estratégicos. |
analisis_churn_andes_bank.ipynb— Notebook con pipeline completo: ETL, análisis exploratorio y causalidad.assets/plot_churn_rate.png— Magnitud global del abandono.assets/plot_churn_by_age_group.png— Churn por grupo de edad.assets/plot_churn_by_number_of_products.png— Churn según número de productos.assets/plot_churn_by_complain.png— Evidencia del impacto crítico de la experiencia.
| Nº | Visualización | Archivo | Insight de Negocio | Impacto |
|---|---|---|---|---|
| 1 | Tasa de Churn | assets/plot_churn_rate.png |
1 de cada 5 clientes abandona la entidad. | 20.4% Churn |
| 2 | Churn por Grupo de Edad | assets/plot_churn_by_age_group.png |
El segmento Senior (45-60 años) concentra la mayor volatilidad. | 51.1% Churn |
| 3 | Churn por Número de Productos | assets/plot_churn_by_number_of_products.png |
Clientes con más de un producto presentan riesgo extremadamente alto de abandono. | 85.9% Riesgo |
| 4 | Causalidad: Quejas | assets/plot_churn_by_complain.png |
Una queja activa equivale a una pérdida casi segura del cliente. | 99.5% Riesgo |
Cada gráfico se acompaña de crosstabs y comentarios interpretativos en el notebook para facilitar la comprensión y la acción estratégica.
- Queja como predictor absoluto: El factor determinante no es el precio ni el producto, sino las fricciones en la resolución de incidencias. El 99.5% de los clientes con quejas abandonan el banco.
- Vulnerabilidad Demográfica: Alemania (32.4%) y el segmento Senior (51.1%) presentan la mayor sensibilidad a fallos operativos.
- Programas de fidelización y productos: Tipos de tarjeta, puntos y salario muestran neutralidad estadística frente al churn; la fuga no es un problema de oferta económica sino de experiencia.
- Protocolo de Recuperación Crítica (PQRS): Intervención humana proactiva en menos de 12 horas ante cualquier queja.
- Auditoría Operativa en Alemania: Revisar procesos locales para reducir fricción y quejas recurrentes.
- Servicio "Gold" para Seniors: Simplificar canales digitales y humanos para clientes de alto valor.
- Optimización de Cross-selling: Priorizar calidad de post-venta sobre cantidad de productos contratados, asegurando soporte y seguimiento impecables.
- Sistema de Alerta Temprana: Implementar analítica predictiva para identificar clientes en riesgo antes de la decisión de abandono.
# Crear entorno virtual
python -m venv .venv
# Activar entorno (Windows)
.venv\Scripts\activate
# Activar entorno (Linux / MacOS)
source .venv/bin/activate
# Instalar dependencias
pip install -r requirements.txt