Casos de Éxito - Consultorías

Cliente: Una de las Cajas Municipales más Importantes del País.

Reto: Desarrollar, Implementar, Seguimiento y Calibración de un Modelo Propensión a la Fuga a medida, de Clientes Tipo-A de la Caja Municipal, que permita “Identificar la probabilidad que un cliente abandone, en un periodo de tiempo específico”; 

Data: propia de la Caja Municipal y del Reporte Crediticio Consolidado (RCC) publicado por la Superintendencia de Banca, Seguros y AFP.

Solución aplicada: Desarrollo de un modelo de Fuga; herramienta principal: Python, scikit-learn. 

 Tipo: Ciencia de Datos /Machine Learning. 

Resultado: Mejores estrategias de retención de clientes. Reducción del Churn. 

Cliente: Una de las Cajas Municipales más Importantes del País.

Reto: Desarrollar un Modelo de Cobranza a medida para la Caja Municipal, que permita “Identificar la probabilidad que un cliente se deteriore a un rango de días de mora más alto (denominado “bucket de cobranza”) respecto del actual, en un periodo de tiempo específico”; proponer estrategias de cobranzas en función a los segmentos identificados por el modelo score de cobranza.

Data: propia de la Caja Municipal y del Reporte Crediticio Consolidado (RCC) publicado por la Superintendencia de Banca, Seguros y AFP.

Solución aplicada: Desarrollo del modelo de Cobranza a medida; herramienta principal: Python, scikit-learn. 

 Tipo: Ciencia de Datos /Machine Learning. 

Resultado: Cartera de Alto Riesgo (CAR) Reducida del 6% al 5%.

  Cliente: Una de las empresas de aceite más grande del País.

Proyecto: Arquitectura, configuración y migración de datos.

Data: propia del cliente; fuente primaria.

Herramientas: Microsoft Azure y Qlik Sense. 

Tipo: Proyecto Cloud. 

Cliente: Una de las Cajas Municipales más Importantes del País.

Reto: Desarrollar, Implementar, Seguimiento y Calibración de un Modelo Propensión al desembolso, No Clientes, que permita “Identificar la probabilidad que un prospecto desembolse en la caja municipal en los próximos 30 días”.

Data: Reporte Crediticio Consolidado (RCC) publicado por la Superintendencia de Banca, Seguros y AFP.

Solución aplicada: Desarrollo de un modelo de propensión al Desembolso; herramienta principal: Python, scikit-learn. 

 Tipo: Ciencia de Datos /Machine Learning. 

Resultado: Captación de nuevos clientes, ya existentes en el sistema financiero. 

  Cliente: Fintech que brinda créditos a un segmento especial del mercado peruano.

Proyecto: Arquitectura, configuración y migración de datos. Asesoramiento en la gestión y buenas prácticas en de datos. Data Warehouse.

Data: propia del cliente; fuente primaria.

Herramientas: Microsoft Azure. 

Tipo: Proyecto Cloud. 

Cliente: Entidad Ente Rector del Estado Peruano.

Proyecto: Implementación del Centro de Datos.

Resultados: Diseño de Soluciones de Analítica Avanzada, Implementación de Buenas Prácticas y Normativa.

Cliente: Entidad del Estado Peruano.

Proyecto: Diagnóstico del Gobierno de Datos.

Framework: DAMA-DMBOK.

Tipo: Gobierno de datos. 

Resultados: Diagnóstico y roadmap. 

Cliente: Una de las Cajas Municipales más Importantes del País.

Reto: Desarrollar, Implementar, Seguimiento y Calibración de un Modelo Propensión a la Fuga a medida, de Clientes Tipo-B de la Caja Municipal, que permita “Identificar la probabilidad que un cliente abandone, en un periodo de tiempo específico”; 

Data: propia de la Caja Municipal y del Reporte Crediticio Consolidado (RCC) publicado por la Superintendencia de Banca, Seguros y AFP.

Solución aplicada: Desarrollo de un modelo de Fuga; herramienta principal: Python, scikit-learn. 

 Tipo: Ciencia de Datos /Machine Learning. 

Resultado: Mejores estrategias de retención de clientes. Reducción del Churn.