Predicción de suscripciones a depósitos bancarios con machine learning y una red neuronal polinómica profunda

El proyecto conectó mi trayectoria previa en marketing y banca con una forma más rigurosa de estudiar el comportamiento de los clientes.

La tarea era predecir si un cliente suscribiría un depósito a plazo tras una campaña de marketing telefónico, usando un conjunto de datos público de una entidad bancaria portuguesa.

El trabajo siguió cuatro etapas principales:

1. Preparación de datos y análisis exploratorio
2. Análisis de variables y reducción de dimensionalidad
3. Baselines clásicos de machine learning
4. Diseño y evaluación de una red neuronal polinómica profunda

Los modelos clásicos sirvieron de referencia para evaluar la arquitectura propia.

En la evaluación documentada, la red polinómica se mantuvo cerca de XGBoost en conjunto e identificó ligeramente más casos positivos, mientras que XGBoost conservó una exactitud y un AUC ligeramente superiores.

Los resultados pertenecen a un único conjunto de datos histórico, con el preprocesamiento y el esquema de evaluación seleccionados.

El resultado estaba desbalanceado, así que la exactitud sola no bastaba. La duración de la llamada describía la interacción ya completada, lo que limita su utilidad para decisiones anteriores al contacto. El proyecto no probó despliegue en producción ni generalización a otro banco o a un periodo posterior.

El proyecto reforzó una forma de trabajar que sigo usando: establecer una línea base, definir los criterios de evaluación, aumentar la complejidad solo cuando está justificado y declarar las limitaciones junto con los resultados.

El documento completo está disponible en el lector inferior.