Saltar al contenido

Predicción de Abandono en Neo Bank

Mi rol
Análisis de datos
Cliente/Empresa:
Proyecto de Le Wagon · dataset de Neo Bank
Año:
2025
Tags:Data

El reto

Neo Bank, un neobanco global, enfrentaba un problema crítico. Muchos usuarios se registraban pero nunca llegaban a realizar una transacción. Eso generaba mucho abandono temprano y frenaba la retención y el crecimiento. El reto consistía en identificar qué perfiles de usuarios presentaban mayor riesgo de churn y cómo anticipar ese comportamiento para diseñar soluciones específicas.

El abandono en números

19,000+

Registros de usuarios, transacciones y notificaciones.

24.36%

Usuarios que no transaccionaron en 90 días.

~95% vs ~75%

Conversión por PUSH frente a EMAIL y SMS.

Proceso

  1. 01

    Investigación

    Exploramos más de 19,000 registros de usuarios, transacciones y notificaciones para entender patrones de comportamiento. Después clasificamos a los usuarios en tres grandes perfiles según edad, plan, canal y uso de la app.

  2. 02

    Diseño

    Establecimos que un usuario había abandonado (churn) si no transaccionaba en los últimos 90 días, incluso si aún usaba la app.

  3. 03

    Desarrollo

    Entrenamos y comparamos varios modelos de clasificación para predecir el abandono con base en variables clave.

  4. 04

    Análisis de datos

    Probamos el modelo con perfiles reales y propusimos acciones específicas de retención para cada grupo.

Qué propusimos

Una predicción sin acción no sirve, así que el modelo llegó con estrategias.

  • Campañas PUSH

    Sobre el canal con mayor conversión.

  • Cashback en consumo diario

    Para impulsar las primeras transacciones.

  • Onboarding guiado

    Para quienes se registran y no transaccionan.

Rol y herramientas

Rol

  • Investigación de producto
  • Machine Learning
  • Visualización
  • Trabajo colaborativo

Herramientas

  • Python
  • Pandas
  • Matplotlib
  • Seaborn
  • Scikit-learn
  • Streamlit

Resultados

  • Tres tipos de usuario con comportamientos distintos (masivo, premium y extremos de edad)
  • Un modelo de Gradient Boosting que identificó a los usuarios en riesgo con buena precisión

Aprendizajes

Observar patrones de comportamiento en el análisis exploratorio nos ayudó a enfocar las soluciones.

Ajustar la definición de churn nos permitió detectar el abandono "silencioso". Las primeras transacciones y el canal usado influyen directamente en la retención, así que son una señal temprana. Una predicción sin acción no sirve, porque el modelo solo es útil si va acompañado de estrategias de intervención. Y aprendí a presentar un caso de negocio con datos y gráficas que cualquiera entiende.

¿Te gustó este proyecto?