Hogar Analítica de Negocio Caso de estudio Fulton Bank 2021

Caso de estudio Fulton Bank 2021

por Iván Torres
0 comentario

Visión General

Fulton Bank es un banco comunitario regional estadounidense, con sede en Lancaster, Pensilvania. Atienden tanto a consumidores como a clientes comerciales. El año pasado, Fulton Bank se asoció con Wharton Customer Analytics (WCA) y participó en el maratón de datos anual para resolver problemas comerciales y facilitar una adopción más sólida del análisis de datos dentro de su empresa.

Objetivo

Trabajando con equipos de estudiantes de Wharton, Fulton Bank estableció cinco unidades comerciales para el datathon, cada una de las cuales se enfoca en cómo utilizar mejor el análisis de datos para responder a una pregunta comercial apremiante. Los equipos fueron: consumo, comercial, finanzas, recursos humanos y operaciones. Ciertos proyectos y otra información se han omitido con fines de privacidad, pero el siguiente estudio de caso ilustra el valor que el maratón de datos de Fulton Bank pudo proporcionar.

La experiencia del maratón de datos de Wharton enfatiza el poder de reunir a diversas personas con distintas experiencias para que se concentren en resolver un problema empresarial. Me encantó la energía, los pensamientos innovadores, el profesionalismo y el impulso que cada equipo trajo a la mesa. Los estudiantes involucrados aportaron nuevas perspectivas para analizar nuestros datos y propusieron nuevas recomendaciones. ¡Espero con ansias nuestro segundo maratón de datos!

Jad Abou Maarouf
Director de Datos
Corporación Financiera de Fulton

Comercial

¿Qué producto(s) debe priorizar el equipo de ventas de Fulton Bank con un cliente determinado?

El equipo de negocios comerciales buscó comprender cómo podría mejorar la venta de ciertas ofertas de productos. Al revisar los datos de Fulton Bank, el equipo rápidamente se dio cuenta de que los cinco productos más populares no eran consistentes entre la segmentación de clientes y la región. Utilizando la regresión logística de los datos de elección de productos del cliente, el equipo pudo descubrir factores clave de las decisiones de compra y, posteriormente, clasificar cada combinación de producto/cliente.

A través del análisis de la canasta de mercado y otras metodologías, el equipo comercial estableció subsecciones de clientes en base a la región y el segmento, e identificó productos que fueron indicadores estadísticamente significativos de su comportamiento de compra. El equipo aprendió que los clientes que ya tenían ciertos productos tenían 16 veces más probabilidades de realizar compras complementarias con otras ofertas.

Finanzas

¿Cómo podemos atraer y retener más clientes de la generación Millennial?

Para aumentar el atractivo de Fulton Bank para la población Millennial, el equipo de Finanzas examinó los rasgos comunes entre los clientes Millennial e investigó cómo satisfacer mejor sus necesidades. Los hallazgos iniciales revelaron que los clientes Millennial, a medida que aumentaban sus fondos, permanecían en cuentas que ofrecían intereses bajos, y menos del 1% de los clientes Millennial mantenían una relación con Fulton Bank.

El equipo de finanzas recomendó que Fulton Bank ofrezca a los Millennials un paquete de cuenta corriente y de correduría, brindándoles una solución digital para ayudarlos en la administración de su dinero. También sugirieron ofrecer una experiencia bancaria mejorada, incorporando una herramienta de análisis y presupuesto más sólida que permita a los Millennials establecer y realizar un seguimiento de sus objetivos financieros.

Consumidor

¿Qué hogares de consumidores corren mayor riesgo de abandonar el banco?

El equipo de estudiantes utilizó un conjunto de datos de consumidores proporcionado por Fulton Bank para definir la segmentación de clientes de la empresa. Para ello, aplicaron métodos de aprendizaje automático, análisis de componentes principales, aprendizaje no supervisado y clustering k-means.

El resultado de su investigación mostró cinco segmentos de clientes claramente definidos: Swing By, Active, Valuable, Techy y Loyal. La tasa de abandono de estos segmentos está determinada por factores únicos, con los clientes de Swing By (menor promedio de inicios de sesión móviles y mayor porcentaje de cuentas cerradas) teniendo la tasa más alta de abandono, mientras que los clientes Loyal (mayor edad promedio y mayor porcentaje de clientes con altos ingresos) tienen la tasa más baja.

El equipo proporcionó a Fulton Bank una comprensión completa de la segmentación de sus clientes y conocimientos prácticos para reducir específicamente la tasa de abandono.

Operaciones

El equipo de operaciones de Fulton Bank quería lograr cuatro objetivos principales al participar en el maratón de datos:

  1. Determinar la relación entre las transacciones y los costos por artículo (fijo, variable y único).
  2. Facilitar la planificación financiera empresarial mediante la previsión de gastos futuros en función del volumen.
  3. Utilizar la inteligencia de datos para renegociar estratégicamente la estructura de costos y los descuentos con los proveedores de servicios.
  4. Ofrecer precios óptimos para los servicios a los clientes.

El equipo identificó el costo total por transacción de Fulton Bank y determinó qué parte de eso se debe al volumen y qué parte se debe a los gastos mensuales mínimos. También exploraron la posible relación entre el uso y la experiencia del cliente con la adquisición electrónica de fondos (ACH), según la geografía, los mercados de Fulton Bank y la demografía generacional basada en la edad.

El equipo de operaciones logró desarrollar un modelo que permita estimar el número de transacciones y los costos correspondientes de una adquisición al adquirir nuevas sucursales.

Gracias a su participación en el maratón de datos, Fulton Bank obtuvo una comprensión más profunda de sus clientes y las transacciones que realizan, lo que les permitirá alinear de manera más óptima sus costos por artículo con su conjunto de productos.

También te Puede Interesar

Sobre nosotros

About Data Blog es un espacio traido a ti por Gold Light Data con el objetivo de investigar y compartir información valiosa sobre Big Data, Inteligencia Artificial, Machine Learning, Analítica de Negocio e Inteligencia de Negocios.

 

Estamos comprometidos con la investigación y nuestra misión siempre será compartir ese conocimiento para la evolución tecnológica y de negocio.

© 2022 About Data. Created by WeApp4U