Predicción de Abandono en Neo Bank
- Mi rol
- Análisis de datos
- Cliente/Empresa:
- Proyecto de Le Wagon · dataset de Neo Bank
- Año:
- 2025
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
- 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.
- 02
Diseño
Establecimos que un usuario había abandonado (churn) si no transaccionaba en los últimos 90 días, incluso si aún usaba la app.
- 03
Desarrollo
Entrenamos y comparamos varios modelos de clasificación para predecir el abandono con base en variables clave.
- 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.
