El reto
Neo Bank, un neobanco global, enfrentaba un problema crítico: muchos usuarios se registraban pero nunca llegaban a realizar una transacción. Esto generaba una alta tasa de abandono temprano, afectando la retención, el valor del cliente y el crecimiento del producto. El reto consistía en identificar qué perfiles de usuarios presentaban mayor riesgo de churn y cómo anticipar ese comportamiento para diseñar soluciones específicas.
Proceso
Investigación
Análisis inicial: Exploramos más de 19,000 registros de usuarios, transacciones y notificaciones para entender patrones de comportamiento. Segmentación de perfiles: Clasificamos a los usuarios en tres grandes perfiles según edad, plan, canal y uso de la app.
Diseño
Definición del churn: Establecimos que un usuario churned si no transaccionaba en los últimos 90 días, incluso si aún usaba la app.
Desarrollo / Automatización
Modelo predictivo: Entrenamos y comparamos varios modelos de clasificación para predecir el abandono con base en variables clave.
Análisis de datos
Simulación y recomendaciones: Probamos el modelo con perfiles reales y propusimos acciones específicas de retención para cada grupo.
Rol y herramientas
Rol
- Investigación de producto
- Análisis de datos
- Machine Learning
- Visualización
- Trabajo colaborativo
Herramientas
- Python
- Pandas
- Matplotlib
- Seaborn
- Scikit-learn
- Streamlit
Resultados
- Identificación de perfiles clave: Tres tipos de usuario con comportamientos distintos: masivo, premium y extremos de edad
- Hallazgos accionables: PUSH como canal clave para conversión (~95%) vs EMAIL/SMS (~75%)
- Tasa de churn identificada: 24.36% de los usuarios abandonan sin transaccionar en 90 días
- Modelo predictivo funcional: Gradient Boosting logró identificar correctamente usuarios en riesgo, con buena precisión
- Recomendaciones claras: Campañas PUSH, cashback en consumo diario, onboarding guiado y segmentación geográfica
Aprendizajes
Valor del análisis exploratorio: Observar patrones de comportamiento fue clave para enfocar soluciones. La definición importa: Ajustar la definición de churn nos permitió detectar abandono "silencioso". Engagement como señal temprana: Las primeras transacciones y el canal usado influyen directamente en la retención. Predicción sin acción no sirve: El modelo es útil solo si va acompañado de estrategias de intervención. Storytelling con datos: Aprendí a estructurar un caso de negocio usando narrativa clara y visualizaciones efectivas.