Segmentación de Clientes Bancarios con K-means para Perfil de Riesgo y Retención

Adriano Martins Pereira; Edilson José Rodrigues

DOI: 10.22167/2675-6528-202602613

Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.

Resumen

La segmentación de clientes basada en datos financieros y conductuales ha demostrado ser relevante para apoyar las decisiones de relación, crédito y retención, dado que bases heterogéneas dificultaban la definición de estrategias únicas para todos los perfiles. El estudio tuvo como objetivo general segmentar clientes a partir de variables numéricas de perfil económico y uso de productos, identificando agrupaciones con características similares y analizando su asociación con indicadores de riesgo y comportamiento, como retrasos en los últimos 12 meses, apertura de correos electrónicos y churn. La investigación utilizó un enfoque aplicado y cuantitativo, con datos estructurados y preprocesados (tratamiento de inconsistencias y estandarización por z-score), seguido de la aplicación del algoritmo K-means en variables numéricas. El número de clusters se definió por criterios complementarios (método del codo y índice de silueta), y las agrupaciones se visualizaron mediante PCA en dos dimensiones, además de ser descritas por estadísticas y distribuciones. Los resultados evidenciaron tres grupos con separación visual consistente y tamaños distintos, además de patrones empíricos relevantes: variables de capacidad económica y de crédito presentaron asociaciones positivas entre sí, mientras que el endeudamiento se relacionó negativamente con el score y positivamente con los retrasos, y el churn mostró relaciones más modestas con los indicadores evaluados. Se concluyó que la clusterización estructuró perfiles interpretables y coherentes con señales de riesgo y comportamiento, ofreciendo una base objetiva para análisis gerenciales y direccionamiento de acciones por grupo.

Palabras clave: Comportamiento del cliente; Minería de datos; Retención; Riesgo de crédito; Segmentación.

1. Introducción

La transformación digital ha impulsado significativamente la capacidad de las organizaciones para recopilar, almacenar y analizar grandes volúmenes de datos sobre clientes, transacciones e interacciones a lo largo del tiempo. En sectores altamente competitivos, como el bancario, el minorista y los servicios, esta evolución ha llevado a la creciente adopción de enfoques analíticos avanzados. Dichos enfoques tienen como objetivo apoyar decisiones estratégicas relacionadas con la segmentación de mercado, la gestión de relaciones con el cliente (CRM), la retención de clientes y la mitigación de riesgos operativos y financieros.

En este escenario, la segmentación de clientes trasciende una práctica meramente descriptiva de marketing, consolidándose como un recurso estratégico fundamental. Permite a las organizaciones comprender patrones de comportamiento, identificar grupos con necesidades y perfiles distintos y, consecuentemente, orientar intervenciones más eficientes. La literatura especializada enfatiza que la creación de valor en CRM depende, en gran medida, de la capacidad de convertir datos brutos en conocimiento accionable sobre la heterogeneidad de los clientes, su comportamiento y potencial de relación (Payne & Frow, 2005).

A pesar de la creciente disponibilidad de datos, un desafío persistente para las organizaciones reside en la dificultad de sintetizar la vasta diversidad de perfiles de clientes presentes en bases de datos extensas y multivariadas. Los clientes pueden exhibir patrones distintos de consumo, niveles de endeudamiento, uso de crédito, inversiones y cumplimiento. Estas diferencias no siempre son fácilmente discernibles a través de análisis univariados o por simples estratificaciones, lo que dificulta la formulación de estrategias únicas y eficaces para todos los segmentos.

Para abordar esta complejidad, las técnicas de aprendizaje no supervisado resultan particularmente útiles, ya que permiten identificar estructuras latentes en los datos sin necesidad de etiquetas predefinidas. El análisis de clúster, en este contexto, ofrece un conjunto de métodos que agrupan observaciones en conjuntos internamente homogéneos y heterogéneos entre sí. Esto contribuye a una comprensión profunda de los patrones de comportamiento y a la generación de hipótesis sobre perfiles de clientes (Jain, 2010; Everitt et al., 2011).

Entre los métodos de clusterización, el algoritmo K-means destaca por su simplicidad, escalabilidad e interpretación directa. Propuesto por MacQueen (1967) y consolidado por Lloyd (1982) y Hartigan y Wong (1979), el K-means busca particionar los datos en k grupos, minimizando la varianza dentro de cada clúster. Esto garantiza que las observaciones en cada grupo se aproximen a un centroide representativo.

La aplicación de K-means, sin embargo, requiere cuidados metodológicos específicos. Es fundamental el tratamiento y la estandarización de las variables, por ejemplo, vía z-score, para evitar que atributos con escalas distintas dominen el proceso de agrupamiento (Hair et al., 2010). La definición del número adecuado de clusters (k) también es una decisión crítica, que puede ser apoyada por métricas como el coeficiente de silueta (Rousseeuw, 1987) y el Adjusted Rand Index (Hubert y Arabie, 1985), que evalúan la cohesión y la separación entre los grupos.

La relevancia práctica de la clusterización se intensifica cuando se conecta a decisiones de negocio. La segmentación basada en el comportamiento financiero, por ejemplo, puede apoyar acciones de retención y prevención de evasión de clientes, conocida como churn, al indicar grupos con mayor propensión a abandonar servicios. Las políticas generalistas tienden a ser menos costo-efectivas que las intervenciones segmentadas (Neslin et al., 2006; Verbeke et al., 2012). Adicionalmente, la distinción entre perfiles contribuye a la formulación de políticas de riesgo y límites de crédito más alineadas al comportamiento histórico y a la capacidad de pago de los clientes (Hand & Henley, 1997; Thomas et al., 2002).

Así, al agrupar clientes por patrones de ingresos, gastos, endeudamiento, puntaje de crédito e historial de retrasos, se hace posible discutir, de manera fundamentada, las diferencias entre perfiles y sus implicaciones para la gestión de relaciones y riesgos. Ante este contexto, este trabajo tiene como objetivo aplicar técnicas de clusterización con énfasis en K-means para segmentar clientes a partir de variables financieras cuantitativas, evaluando la calidad y la estabilidad de las particiones (por ejemplo, vía silueta y ARI) e interpretando los clusters obtenidos en términos de comportamiento e indicadores relevantes para decisiones de CRM y riesgo, como la morosidad, el retraso y la posible propensión al churn.

2. Material y Métodos

La investigación adoptó un enfoque cuantitativo, exploratorio y aplicado, con el objetivo de segmentar clientes a partir de variables numéricas para generar conocimiento útil para la práctica organizacional. El carácter exploratorio buscó identificar patrones latentes en datos sin categorías predefinidas, mientras que la naturaleza aplicada se centró en el apoyo a decisiones gerenciales (Gil, 2008; Vergara, 2016). La unidad de análisis consistió en 1.500 registros individuales de clientes. La base de datos, tratada como secundaria y proveniente de un archivo tabular CSV, reunió variables cuantitativas sobre comportamiento financiero, incluyendo renta mensual, gasto en tarjeta, inversiones, límite de crédito, saldo en cuenta, endeudamiento, score de crédito, número de productos, compras mensuales, apertura de correos electrónicos, retrasos en los últimos 12 meses y churn. Se observaron principios de confidencialidad y anonimización.

Los análisis se desarrollaron en un entorno computacional de Python, utilizando bibliotecas como pandas y numpy para la manipulación de datos. Se empleó scikit-learn para el preprocesamiento y modelado de clusterización, incluyendo el algoritmo K-means y métricas de evaluación. Las visualizaciones se generaron con matplotlib. Se controlaron parámetros como seeds (random_state) e intervalos probados para k para garantizar la reproducibilidad de los procedimientos.

El preprocesamiento de los datos tuvo como objetivo asegurar la consistencia y la comparabilidad. Se realizó una inspección general para identificar la estructura, los tipos de variables, los valores ausentes, las duplicidades y las inconsistencias. Se trataron los valores ausentes y los registros inconsistentes, y se convirtieron las variables a formatos apropiados. La selección de atributos para la clusterización consideró solo variables cuantitativas, alineada a la dependencia del K-means de medidas de distancia en escalas numéricas comparables (Vergara, 2016). La estandarización se realizó por z-score (StandardScaler), garantizando una contribución equilibrada de cada atributo. Las verificaciones de distribución y dispersión identificaron y trataron los outliers.

La estrategia de clusterización adoptó el algoritmo K-means como método principal, buscando particionar las observaciones en k grupos, minimizando la variabilidad interna y maximizando la separación entre clusters (MacQueen, 1967; Lloyd, 1982; Hartigan & Wong, 1979). La definición del número de clusters (k) fue orientada por el método del codo (Elbow), que evalúa la inercia, y por el coeficiente de silueta (Rousseeuw, 1987), que mide cohesión y separación (Gil, 2008). Tras la selección de k, el modelo K-means fue entrenado con control explícito de parámetros para garantizar la consistencia.

La evaluación y validación del agrupamiento verificaron la calidad interna, la separación entre grupos y la estabilidad frente a variaciones de inicialización (Gil, 2008; Vergara, 2016). La robustez se evaluó mediante análisis de estabilidad con múltiples inicializaciones, y la concordancia entre particiones se midió por el Adjusted Rand Index (ARI) (Hubert y Arabie, 1985). Los índices Davies-Bouldin y Calinski-Harabasz complementaron la validación. El Análisis de Componentes Principales (PCA) se empleó para visualización y apoyo interpretativo, proyectando los datos en dos o tres dimensiones para inspección visual de la separación entre clusters (Jolliffe, 2002).

La interpretación de los clústeres se realizó tras la definición del agrupamiento final, caracterizando los perfiles mediante estadísticas descriptivas (media, mediana, desviación estándar, cuartiles) para variables numéricas y distribuciones de frecuencia para variables categóricas (Wedel & Kamakura, 2000). Los cruces por clúster examinaron diferencias en la prevalencia e intensidad de indicadores gerenciales, como retraso y churn, apoyando estrategias de CRM y retención (Payne & Frow, 2005). Los procedimientos de análisis se estructuraron en un pipeline secuencial, garantizando consistencia y trazabilidad (Fayyad, Piatetsky-Shapiro, & Smyth, 1996; Kelleher, Mac Namee, & D’Arcy, 2015). Los resultados se organizaron en tablas de apoyo, visualizaciones y una base final con la identificación del clúster asignada a cada registro (Provost & Fawcett, 2013).

3. Resultados y Discusión

El análisis de los datos reveló patrones importantes en la base de clientes, proporcionando una comprensión profunda del comportamiento financiero y la interacción con los servicios. Los resultados iniciales permitieron contextualizar la heterogeneidad de la muestra, mientras que la aplicación del algoritmo K-means generó una segmentación robusta e interpretable. Este enfoque se alinea con el objetivo del estudio de identificar agrupaciones con características similares, apoyando decisiones estratégicas de relación, crédito y retención, según la literatura sobre CRM y Minería de datos (Payne & Frow, 2005; Jain, 2010).

La clusterización final, con tres grupos distintos, demostró que es posible estructurar perfiles de clientes que reflejan diferentes capacidades económicas, niveles de riesgo y patrones de compromiso. La interpretación detallada de cada clúster, basada en variables financieras y conductuales, ofrece subsidios concretos para la formulación de estrategias dirigidas, superando las limitaciones de enfoques generalistas. La validación del agrupamiento por múltiples métricas y el análisis propositivo de los perfiles refuerzan la utilidad gerencial de los hallazgos, conectando el análisis de datos a implicaciones prácticas para el negocio.

Caracterización inicial de las variables y distribución de eventos

Inicialmente, el análisis de la tasa de apertura de correos electrónicos, un indicador de compromiso, reveló una concentración mayoritaria de clientes con porcentajes entre el 20% y el 45%. También se observó la presencia de una porción de registros con un compromiso muy bajo, cercano al 0%, y una cola a la derecha que se extiende a valores superiores al 60%. Este comportamiento sugiere la coexistencia de grupos de clientes con niveles variados de interacción con las campañas de comunicación, lo que indica la necesidad de estrategias de comunicación segmentadas para optimizar el compromiso.

La distribución del número de retrasos en los últimos 12 meses, un indicador de riesgo de impago, mostró una concentración en valores bajos a moderados, con la mayor frecuencia observada entre 2 y 6 retrasos. Aunque la mayoría de los registros presentaban menos de 8 retrasos, la presencia de una cola a la derecha, con ocurrencias superiores a 10 retrasos, evidenció una heterogeneidad significativa en el comportamiento de pago. Este patrón es crucial para la diferenciación de perfiles de riesgo en la etapa de segmentación, permitiendo identificar clientes con mayor propensión a la morosidad de pago.

La variable Churn, que representa el evento binario de evasión de clientes, presentó un fuerte desbalanceo, con la predominancia de registros en la clase 0 (no-churn) y una porción menor en la clase 1 (churn). Aunque el evento de churn es minoritario en la base, lo que es común en problemas de evasión, este desbalanceo no impide el agrupamiento. Sin embargo, exige que las diferencias entre clusters en relación al churn sean comparadas en términos proporcionales (porcentuales) y no solo por conteos absolutos, para una interpretación más precisa de los perfiles.

La distribución de las categorías de clientes, que incluían los niveles Regular, Intermedio y Premium, reveló que la mayor parte de la base se encuadra en la categoría Regular, seguida por la Intermedia y, por último, por la Premium. Esta composición sugiere que la base de clientes está mayoritariamente compuesta por perfiles de menor valor agregado, con una fracción menor de clientes de alto valor. Esta información es valiosa para el cruce posterior con los clústeres, permitiendo verificar si la segmentación numérica se alinea a las clasificaciones de valor ya existentes y apoya la formulación de estrategias de fidelización y retención.

Relaciones lineales entre variables numéricas (correlación de Pearson)

La matriz de correlación de Pearson reveló un bloque de correlaciones positivas fuertes entre diversas variables financieras. Los Ingresos_Mensuales, por ejemplo, presentaron una correlación elevada de aproximadamente 0,96 con el Límite_Crédito, y asociaciones relevantes con Gasto_Tarjeta e Inversiones. Este patrón indica que clientes con mayores ingresos tienden a poseer límites de crédito más altos, gastar más en la tarjeta y mantener volúmenes mayores de inversión, lo cual es coherente con la lógica de que capacidad económica y oferta de crédito están interconectadas en la relación bancaria.

En contraste, la variable Endeudamiento demostró una correlación fuertemente negativa de aproximadamente -0,91 con el Score_Crédito, además de correlaciones negativas moderadas con otras variables financieras. Este hallazgo sugiere que un mayor endeudamiento está asociado a un puntaje de crédito más bajo y a una menor capacidad financiera general. Esta relación es fundamental para diferenciar perfiles de riesgo, ya que el endeudamiento y el puntaje de crédito actúan como ejes de contraste importantes en la segmentación de los clientes.

En el eje de eventos y comportamiento, la variable Retrasos_12m presentó una correlación positiva de aproximadamente 0,51 con el Endeudamiento y una correlación negativa de aproximadamente -0,47 con el Score_Crédito. Estos patrones indican que más retrasos están asociados a un mayor endeudamiento y a un score de crédito más bajo, lo que se alinea con la literatura de credit scoring (Hand & Henley, 1997; Thomas et al., 2002). Los clientes con mayor presión financiera e historial de retrasos tienden a presentar peores scores, reforzando la coherencia interna de los datos.

La variable Churn mostró una correlación positiva moderada de aproximadamente 0,38 con el Endeudamiento y una correlación negativa moderada de aproximadamente -0,38 con el Score_Credito. Estos resultados sugieren que el churn tiende a ocurrir más en perfiles con mayor endeudamiento y menos en perfiles con score de crédito más alto. Aunque estas asociaciones no configuran causalidad, indican patrones lineales en la muestra que son consistentes con hallazgos de retención en servicios financieros, donde el deterioro del pago y el aumento del riesgo elevan la probabilidad de evasión (Verbeke et al., 2012).

La tasa de Abertura_Email_Pct, a su vez, presentó correlaciones débiles con las demás variables. Este resultado puede indicar que el compromiso por correo electrónico, de forma aislada, no captura toda la dinámica de la relación con el cliente. La literatura de CRM sugiere que los indicadores de contacto necesitan ser integrados con variables de uso, valor y riesgo para explicar de forma más completa la retención de clientes (Payne & Frow, 2005). El análisis de correlación, por lo tanto, confirmó la interdependencia de algunas variables financieras y la relevancia de indicadores de riesgo para la segmentación.

Definición del número de clusters (K) y ajuste del K-means

La elección del número de clústeres (k) fue una decisión analítica central, evaluada a través de dos criterios complementarios: el método del codo (Elbow) y el índice de silueta. El método del codo, que analiza el comportamiento de la inercia (suma de los errores cuadráticos intra-clúster), evidenció una caída más acentuada de la inercia al pasar de k=2 a k=3. A partir de k=4, las reducciones se volvieron progresivamente menores, indicando que las ganancias de compactación se volvían marginales. Este patrón sugiere que k=3 representa un punto de equilibrio que añade detalle sin aumentar excesivamente la complejidad.

El índice de silueta, que evalúa simultáneamente la cohesión interna y la separación entre clusters, presentó su valor más alto en k=2, con una reducción marcada en k=3 y una caída gradual para valores mayores. Aunque k=2 indicaba la separación media más fuerte, la configuración con tres grupos permaneció viable y más informativa para la caracterización de los perfiles. La adopción de k=3 fue, por lo tanto, un compromiso analítico entre la estructura de agrupamiento y la granularidad de los perfiles, buscando una segmentación que fuera tanto matemáticamente razonable como gerencialmente útil.

Validación complementaria de la solución de agrupamiento

La validación complementaria de la solución de agrupamiento reforzó la elección de k=3, considerando múltiples criterios. El índice Davies-Bouldin, que mide la relación entre la dispersión interna y la separación entre grupos (se prefieren valores menores), presentó 0,7516 para k=2 y 0,9605 para k=3. Por otro lado, el índice Calinski-Harabasz, que compara la dispersión entre clusters con la dispersión interna (se prefieren valores mayores), alcanzó su valor más alto en k=3 (1.726,55), superando el valor de k=2 (1.662,11). Estos resultados, junto con la silueta y la inercia, indicaron que k=3, aunque con menor separación media que k=2, preserva una buena calidad interna y una relación favorable entre la dispersión intergrupos e intragrupos.

Para la solución final con k=3, las distancias medias de las observaciones a los respectivos centroides fueron de 2,3075 en el Cluster 0, 1,4738 en el Cluster 1 y 1,7153 en el Cluster 2. Las distancias entre los centroides fueron de 7,8268 entre los Clusters 0 y 1, 4,9294 entre los Clusters 0 y 2, y 3,0880 entre los Clusters 1 y 2. Estos valores demuestran que las distancias entre los centros de los grupos son superiores a las distancias medias internas, confirmando la homogeneidad intracluster y la heterogeneidad intercluster de la solución. El análisis de estabilidad, realizado por múltiples inicializaciones, resultó en un Adjusted Rand Index (ARI) medio de 1,0, indicando alta consistencia de las particiones obtenidas y reforzando la confiabilidad de la segmentación.

Visualización de los clústeres mediante PCA (2D)

La proyección de los clústeres en dos dimensiones, utilizando el Análisis de Componentes Principales (PCA), permitió una visualización de la disposición relativa de los grupos generados por K-means. Aunque el PCA no altera la asignación de los clústeres, facilita la inspección visual del grado de separación y la identificación de posibles zonas de superposición. Se observó una separación predominante a lo largo del eje PC1, con el Clúster 2 concentrado en valores más negativos, el Clúster 1 en valores más positivos y el Clúster 0 en posición intermedia. Esta distribución visual sugiere que los clústeres ocupan regiones distintas en el espacio proyectado, incluso con alguna superposición parcial en las regiones centrales, lo cual es esperado en datos reales con perfiles continuos y variables correlacionadas (Jolliffe, 2002).

Distribución de registros por clúster

Tras el ajuste del K-means con k=3, la distribución de los registros por clúster indicó la formación de tres grupos de tamaños distintos. Los Clústeres 0 y 2 presentaron un mayor volumen de registros, mientras que el Clúster 1 fue el menor. Este patrón sugiere la existencia de dos perfiles más frecuentes en la base y un perfil menos común, pero aún relevante para la caracterización. En términos operativos, la lectura del tamaño relativo de los grupos es útil para orientar la priorización de análisis complementarios, especialmente al comparar la distribución de churn, retrasos y compromiso entre los perfiles, permitiendo asignar recursos de manera más eficiente.

En resumen, los resultados iniciales evidenciaron heterogeneidad en el engagement por correo electrónico, en el historial de retrasos y en la presencia de churn. Además, un conjunto de correlaciones fuertes entre variables financieras sustentó patrones consistentes de capacidad y comportamiento. La definición de k=3 fue apoyada por el método del codo y complementada por el índice de silueta, y la proyección en PCA permitió visualizar la separación relativa de los grupos. La caracterización numérica detallada de cada clúster, por medio de medias, medianas y percentiles por variable, así como la distribución de churn, retrasos y categoría de cliente dentro de cada grupo, fue fundamental para la interpretación de los perfiles.

El perfil promedio de los clientes por clúster, según el análisis, reveló distinciones claras entre los grupos. El Clúster 1 (n=272) se destacó como el perfil de mayor valor y menor riesgo, presentando los promedios más altos de Ingresos Mensuales (12.476,80 R$), Gasto en Tarjeta (3.238,55 R$), Inversiones (21.386,40 R$), Límite de Crédito (19.745,22 R$), Saldo en Cuenta (8.964,19 R$), Número de Productos (5,42) y Compras Mensuales (16,27). Además, este grupo registró el menor Endeudamiento (0,23), el mayor Score de Crédito (817,65), el menor promedio de Atrasos en los Últimos 12 Meses (1,42) y el menor porcentaje de Churn (6,9%). Este perfil representa clientes con alta capacidad económica, intenso uso financiero y bajo riesgo, siendo prioritario para estrategias de fidelización y expansión de relaciones.

El Clúster 0 (n=622) asumió una posición intermedia, con indicadores financieros moderados y riesgo controlado. Este grupo presentó promedios de Ingreso Mensual (5.842,31 R$), Gasto en Tarjeta (1.486,27 R$), Inversiones (7.914,66 R$), Límite de Crédito (8.621,58 R$), Saldo en Cuenta (3.118,75 R$), Número de Productos (3,18) y Compras Mensuales (9,64). Su Endeudamiento fue de 0,46, el Score de Crédito de 682,40, el promedio de Atrasos en los Últimos 12 Meses de 3,78 y el porcentaje de Churn de 15,8%. Este grupo es relevante para acciones de desarrollo de relación y retención preventiva, con potencial para crecimiento gradual y mantenimiento de la base.

El Clúster 2 (n=606) se caracterizó como el perfil de mayor vulnerabilidad y riesgo. Este grupo registró las menores medias de Ingresos Mensuales (2.913,44 R$), Gasto en Tarjeta (748,92 R$), Inversiones (2.146,73 R$), Límite de Crédito (3.911,36 R$), Saldo en Cuenta (1.204,51 R$), Número de Productos (2,11) y Compras Mensuales (5,83). En contrapartida, presentó el mayor Endeudamiento (0,72), el menor Score de Crédito (528,17), la mayor media de Atrasos en los Últimos 12 Meses (6,31) y el mayor porcentaje de Churn (29,7%). Este perfil demanda políticas de mitigación de riesgo, renegociación y comunicación dirigida, con el objetivo de recuperar y regularizar la relación.

La tasa de Apertura de Correos Electrónicos también varió entre los clústeres. El Clúster 1 demostró el mayor compromiso, con un 47,91% de apertura, seguido por el Clúster 0, con un 34,82%, y por el Clúster 2, con el menor compromiso, registrando un 24,36%. Esta diferencia en el compromiso de la comunicación es un indicativo de que los clientes de mayor valor y menor riesgo (Clúster 1) son más receptivos a las comunicaciones, mientras que los de mayor riesgo (Clúster 2) están menos comprometidos, lo que puede influir en la eficacia de las campañas de marketing y relaciones.

Esta lectura detallada de los perfiles reforzó que la segmentación no solo separó a los clientes por similitud matemática, sino que también produjo grupos con un claro significado gerencial para las decisiones de crédito, relación y retención. La mayor capacidad económica y el menor riesgo en el Clúster 1, la posición intermedia y el riesgo controlado en el Clúster 0, y la menor capacidad económica y mayor riesgo en el Clúster 2, son informaciones que permiten dirigir acciones específicas para cada segmento, optimizando la gestión de la cartera de clientes.

Análisis propositivo de los perfiles

El análisis propositivo de los perfiles, elaborado en formato FOFA (Fortalezas, Oportunidades, Debilidades y Amenazas), tradujo los resultados de la segmentación en posibilidades de actuación gerencial. Para el Clúster 1, identificado como el perfil de mayor valor y menor riesgo, las Fortalezas incluyen mayor renta, score de crédito elevado, inversiones sustanciales, saldo en cuenta y uso ampliado de productos, además de bajos índices de churn y atrasos. La principal Debilidad es la concentración de valor, que aumenta la relevancia de la retención. Las Oportunidades residen en la fidelización, relación premium, ampliación de inversiones y ofertas personalizadas, mientras que las Amenazas involucran la evasión hacia competidores y la pérdida de clientes de alto valor. El Direccionamiento para este grupo es priorizar la retención, la personalización y la expansión responsable de la relación.

Para el Clúster 0, caracterizado como perfil intermedio, las Fortalezas son la capacidad financiera moderada, el riesgo controlado y una relación ya establecida. Las Debilidades incluyen indicadores de valor y compromiso inferiores a los del Clúster 1, además de un churn intermedio. Las Oportunidades se concentran en el desarrollo de la relación, el aumento del compromiso y la ampliación gradual de productos. Las Amenazas para este grupo son la migración a un perfil de mayor riesgo o la pérdida de relación por baja activación. La Dirección recomendada es aplicar retención preventiva, comunicación segmentada y ofertas compatibles con la capacidad del cliente.

Finalmente, para el Clúster 2, que representa el perfil de mayor vulnerabilidad y riesgo, la principal Fortaleza es el potencial de recuperación y la posibilidad de una relación orientada a la regularización. Las Debilidades son el menor ingreso y score de crédito, el mayor endeudamiento, los altos índices de atrasos y churn, y el menor compromiso. Las Oportunidades incluyen la renegociación de deudas, educación financiera y revisión de condiciones de crédito, además de comunicación preventiva. Las Amenazas son la morosidad de pago, la evasión, el deterioro adicional del riesgo y la reducción de la relación. La Dirección para este grupo es priorizar la mitigación de riesgo, el seguimiento, la renegociación e intervenciones tempranas, buscando la recuperación y estabilización del cliente.

Estas directrices de acción, derivadas del análisis propositivo, deben entenderse como apoyo a la decisión y no como reglas automáticas para la concesión de crédito o tratamiento individual. Permiten que la organización adopte estrategias diferenciadas: para el Cluster 1, la prioridad es preservar clientes de mayor valor y bajo riesgo mediante la fidelización y personalización (Payne & Frow, 2005). Para el Cluster 0, las acciones pueden centrarse en el desarrollo de la relación y la retención preventiva. Para el Cluster 2, la prioridad es reducir vulnerabilidades mediante el seguimiento, la renegociación y la comunicación dirigida, alineándose a la gestión de riesgos y retención.

Los resultados obtenidos responden al objetivo general del estudio, que era segmentar clientes a partir de variables financieras y conductuales, identificando agrupaciones con características similares y analizando su asociación con indicadores de riesgo y comportamiento. La solución con tres clusters produjo una segmentación visualmente consistente en la proyección PCA y con tamaños de grupos suficientemente distintos para apoyar la lectura gerencial, transformando datos multivariados en perfiles interpretables, un aspecto crucial en estudios de segmentación (Wedel & Kamakura, 2000). El análisis exploratorio de las distribuciones y la matriz de correlación confirmaron patrones consistentes de capacidad económica, endeudamiento y riesgo, proporcionando la base empírica para la interpretación de la estructura del comportamiento financiero en la muestra. La elección de tres clusters, aunque la silueta indicó mayor separación en dos, fue sustentada por el punto de inflexión en la inercia y por la visualización en PCA, favoreciendo una segmentación más informativa y aplicable. Este enfoque permitió organizar la base en grupos distinguibles y coherentes con relaciones esperadas entre capacidad financiera, riesgo de crédito y señales de fricción, ofreciendo una base objetiva para describir perfiles y dirigir análisis posteriores por cluster.

4. Conclusión

El estudio tuvo como objetivo segmentar clientes a partir de variables financieras y conductuales, identificando agrupaciones con características similares y analizando su asociación con indicadores de riesgo y comportamiento. La aplicación del algoritmo K-means, tras el preprocesamiento y la estandarización de los datos, estructuró la base de clientes en tres perfiles distintos. Se observó que el Cluster 1 representaba clientes de mayor valor y menor riesgo, caracterizados por elevados ingresos, inversiones sustanciales y bajo endeudamiento, además de menores índices de retrasos y churn. El Cluster 0 se posicionó como un perfil intermedio, con indicadores financieros moderados y riesgo controlado. Por su parte, el Cluster 2 fue identificado como el grupo de mayor vulnerabilidad, presentando menor capacidad económica, mayor endeudamiento y los porcentajes más altos de retrasos y churn. El análisis de correlación confirmó patrones consistentes, como la asociación positiva entre capacidad económica y crédito, y la relación negativa entre endeudamiento y score de crédito, que se alineó con un mayor número de retrasos y mayor propensión al churn. Esta segmentación proporcionó una base objetiva e interpretable para la gestión de relaciones y riesgos, permitiendo la formulación de estrategias diferenciadas para cada segmento.

La elección de tres clústeres, aunque el índice de silueta indicó una mayor separación en dos grupos, fue respaldada por el método del codo y la visualización en PCA, favoreciendo una granularidad más informativa para la aplicación gerencial. Sin embargo, el estudio reconoce limitaciones inherentes al enfoque, como la sensibilidad del K-means a los valores atípicos y la influencia de variables correlacionadas en la definición de los centroides. Adicionalmente, la explicación completa de la rotación (churn) puede requerir la inclusión de variables adicionales de relación o la aplicación de modelos supervisados en estudios futuros. Se recomienda que investigaciones subsecuentes exploren la integración de datos cualitativos y la aplicación de técnicas de aprendizaje automático supervisado para mejorar la capacidad predictiva de eventos como la rotación (churn), además de profundizar el análisis de las directrices de acción propuestas para cada clúster.

Referencias Bibliográficas

Everitt, B. S., Landau, S., Leese, M., & Stahl, D. (2011). Cluster analysis (5th ed.). Wiley.

Fayyad, U., Piatetsky-Shapiro, G., & Smyth, P. (1996). From data mining to knowledge discovery in databases. Al Magazine, 17(3), 37–54.

Gil, 2008 [Referência completa não encontrada no documento original]

Hair, J. F., Black, W. C., Babin, B. J., & Anderson, R. E. (2010). Multivariate data analysis (7th ed.). Pearson.

Hand, D. J., & Henley, W. E. (1997). Statistical classification methods in consumer credit scoring: A review. Journal of the Royal Statistical Society: Series A (Statistics in Society), 160(3), 523-541.

Hartigan, J. A., & Wong, M. A. (1979). Algorithm AS 136: A k-means clustering algorithm. Journal of the Royal Statistical Society: Series C (Applied Statistics), 28(1), 100–108.

Hubert, L., & Arabie, P. (1985). Comparing partitions. Journal of Classification, 2(1), 193–218.

Jain, A. K. (2010). Data clustering: 50 years beyond k-means. Pattern Recognition Letters, 31(8), 651-666.

Jolliffe, I. T. (2002). Principal component analysis (2nd ed.). Springer.

Kelleher, J. D., Mac Namee, B., & D’Arcy, A. (2015). Fundamentals of machine learning for predictive data analytics: Algorithms, worked examples, and case studies. MIT Press.

Lloyd, S. (1982). Least squares quantization in PCM. IEEE Transactions on Information Theory, 28(2), 129–137.

MacQueen, J. (1967). Some methods for classification and analysis of multivariate observations. In L. M. Le Cam & J. Neyman (Eds.), Proceedings of the Fifth Berkeley Symposium on Mathematical Statistics and Probability (Vol. 1, pp. 281–297). University of California Press.

Neslin, S. A., Gupta, S., Kamakura, W., Lu, J., & Mason, C. H. (2006). Defection detection: Measuring and understanding the predictive accuracy of customer churn models. Journal of Marketing Research, 43(2), 204–211.

Payne, A., & Frow, P. (2005). A strategic framework for customer relationship management. Journal of Marketing, 69(4), 167–176.

Provost, F., & Fawcett, T. (2013). Data science for business: What you need to know about data mining and data-analytic thinking. O’Reilly Media.

Rousseeuw, P. J. (1987). Silhouettes: A graphical aid to the interpretation and validation of cluster analysis. Journal of Computational and Applied Mathematics, 20, 53–65.

Thomas, L. C., Edelman, D. B., & Crook, J. N. (2002). Credit scoring and its applications. SIAM.

Verbeke, W., Martens, D., & Baesens, B. (2012). Social network analysis for customer churn prediction. Applied Soft Computing, 14, 431-446.

Vergara, 2016 [Referência completa não encontrada no documento original]

Wedel, M., & Kamakura, W. A. (2000). Market segmentation: Conceptual and methodological foundations (2nd ed.). Kluwer Academic Publishers.

Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq

Para saber más sobre el curso, haz clic aquí y accede a la plataforma MBX Academy