Retención de clientes: buscando prescriptores de mi empresa a través de un modelo de propensión a la fuga

By | 9 junio, 2015

6 minutes

Dentro de la inteligencia de clientes o Customer Intelligence, más allá de la segmentación de clientes, tenemos análisis de datos para obtener inteligencia de negocio más potentes. Entre ellos, destacan los modelos de propensión: que pueden ser de compra (cross-sell y up-sell), fuga (si pudiera dejar de ser nuestro cliente), riesgo de impago (que no pague lo que adeuda), fraude, etc. Son modelos que estiman la probabilidad de que se produzca esa conducta (compra, fuga, etc.) para cada uno de nuestros clientes, y permite generar modelos predictivos para poder tomar decisiones de negocio en tiempo real.

Uno de los fundamentos básicos de la experiencia humana es que el futuro próximo es parecido al pasado reciente. Esto se ha demostrado empíricamente tanto a nivel individual como social. Por lo tanto, cabe concluir que el comportamiento futuro de in individuo será parecido a su comportamiento pasado. Y así, podemos extrapolar esta visión a que los sucesos futuros en un negocio, serán parecidos a los sucesos del pasado reciente.

Este asunto es particularmente interesante a la hora de hablar de los clientes. Ceteris paribus (permaneciendo las condiciones constantes), podemos esperar que en nuestro negocio las ventas pudieran ser parecidas, salvo que hiciéramos una campaña o similares. La tasa de nuevos clientes puede ser similar a la del pasado año, y la tasa de abandonos será similar igualmente a la del año anterior.

En línea a todo esto, uno de los proyectos que hemos realizado en los últimos meses/años fue para una pequeña academia de enseñanza de primaria, secundaria y bachillerato de Leioa. Como ya vengo diciendo en esta serie de artículos, de nuevo, el “Big Data” (recordemos este artículo), puesta al servicio de todos los públicos y las PYMEs. Un negocio, muy característico de las PYMEs de España: negocio de entre 3 y 10 empleados, que funciona muy bien por el boca a boca. Y que, por lo tanto, los clientes son los mejores comerciales de la empresa, dado que prescribiendo, es como mejor se puede llegar ante la incapacidad de hacer promociones y campañas de un tamaño suficiente (que es cuando realmente pueden ser efectivas).

La experiencia del cliente y su prescripción de mis productos o servicios (Fuente: http://www.melmarketing.es/wp-content/uploads/2014/01/Resultado-ecuacio%CC%81n-ECEL.png)

La experiencia del cliente y su prescripción de mis productos o servicios (Fuente: http://www.melmarketing.es/wp-content/uploads/2014/01/Resultado-ecuacio%CC%81n-ECEL.png)

Como se puede ver en la imagen, la experiencia de cliente abre ya un tema de especial interés para el campo del Business Intelligence. Una experiencia bien diseñada empieza antes de la compra, se intensifica durante la misma y se mantiene hasta la siguiente. ¿Qué métricas utilizar para saber que mis clientes están disfrutando y por lo tanto me podrán prescribir? Eso es lo que trataremos de ver. En definitiva, tener como objetivo retener a los mejores/más rentables clientes, e identificar los factores clave que influyen en el attrition (fuga de clientes). Esto se hace identificando a través de modelos predictivos los clientes con más alta propensión a la fuga. Para ello, se utilizan scores para priorizar los clientes objetivo para acciones de retención.

En todo esto, un área que ayuda especialmente a estos objetivos es el de los modelos de propensión a la fuga. La primera pregunta que se puede hacer un negocio es saber qué datos son importantes. Realmente, todos lo son. Partiendo de ello, el primer paso es armar el conjunto de datos a analizar. Para ello, hay que obtener un conjunto de clientes con resultado conocido: clientes vigentes activos y antiguos clientes “fugados”. Una vez hecho eso, establecimos una línea de tiempo base: el curso académico 2013-14. Obtuvimos datos conocidos en Septiembre del 2013, y al finalizar el periodo de estudio (Junio 2014).

El siguiente paso consiste en caracterizar al cliente. Vamos a suponer en este caso, que a efectos divulgativos, simplificaré en seis variables:

  • Años en la academia: es decir, básicamente analizar su historial de compra. Aquí, básicamente mediremos en el periodo anteriormente descrito las siguientes variables:
    • Meses acumulados en la academia
    • Asignaturas matriculadas en la academia
  • Perfil de cliente: historial de pago e interacciones. Aquí, mediremos:
    • % meses pagados en plazo (menos de 30 días al vencimiento del mes)
    • Cantidad de interacciones entre los padres y los profesores (atención telefónica, presencial, email, etc.)
  • Naturaleza del centro y curso: segmento de mercado y valor del mismo
    • De las cuatro prioridades de centros educativos (desde los más próximos geográficamente, a los más alejados y con menos alumnos), de cual viene y cuál es el valor monetario que se da a cada cual (que a su vez vendrá de otro estudio de Business Intelligence
  • Cantidad de compañeros de clase en la academia
    • Número de compañeros de su clase que están en su grupo en la academia

Ya ven que son todo variables cuantitativas, lo cual nos permitirá hacer un procesamiento estadístico. Una vez hechas todas las mediciones, podemos decir de manera gráfica, que tendremos los siguiente:

Representación gráfica de la construcción de un modelo de propensión a la fuga de un cliente dato (Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

Representación gráfica de la construcción de un modelo de propensión a la fuga de un cliente dato (Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

Siendo M1, M2… M6, las variables anteriormente indicadas. Y siendo C1, C2, C3 el evento dado a posteriori (fuga, aumento de ventas, etc.). Una vez recopilados estos datos, es cuando podemos asignar una puntuación a cada uno de nuestros clientes. Vamos a considerar una escala de 0 a 1, siendo 1 la mayor propensión a fugarse, y siendo 0 la de menos. Pero, para poder llegar a este score, primero tenemos que trabajar con la matriz de datos recopilados. A efectos de este ejercicio divulgativo, supngamos 100 estudiantes, cuyos datos son recogidos en ese periodo Septiembre 2013-Junio 2014, y cuyos valores para las seis variables son los siguientes:

Tabla de mediciones y la decisión final del estudiante

Tabla de mediciones y la decisión final del estudiante

Ahora, para cada variable (o ítem de dato), habría que contar cuántos “activos” o “fugados” hay. De este modo, podríamos calcular la probabilidad de fugarse en función del valor que tiene un estudiante dado para cada una de las variables. Por ejemplo, cojamos la primera columna, que responde a los meses acumulados que llevan en la academia, y que además es una variable bastante intuitiva: a menos tiempo en la academia, menos fidelizado estará. Supongamos que de los 100 estudiantes nos salen las siguientes cuentas:

  • Entre 1 y 4 meses acumulados: 8 estudiantes
    • Número activos: 2
    • Número fugados: 6
    • Probabilidad de fuga: 6 a 2, o 6:2 o 3:1
  • Entre 5 y 8 meses acumulados: 12 estudiantes
    • Número activos: 5
    • Número fugados: 7
    • Probabilidad de fuga: 7 a 5, o 7:5
  • Entre 9 y 12 meses acumulados: 25 estudiantes
    • Número activos: 18
    • Número fugados: 9
    • Probabilidad de fuga: 9 a 18, o 9:18, o 1:2
  • Entre 13 y 16 meses acumulados: 30 estudiantes
    • Número activos: 24
    • Número fugados: 6
    • Probabilidad de fuga: 6 a 24, o 6:24, 1:4
  • Entre 17 y 20 meses acumulados: 15 estudiantes
    • Número activos: 12
    • Número fugados: 3
    • Probabilidad de fuga: 3 a 12, o 3:12, o 1:4
  • Más de 20 meses acumulados: 10 estudiantes
    • Número activos: 10
    • Número fugados: 0
    • Probabilidad de fuga: 0 a 10, o 0:10

Solo con esta variable, ya se puede entrever cómo se desarrollaría el scoring. Si hacemos esto mismo para cada variable de las arriba señaladas, al final tendríamos para cada una de ellas, umbrales de mayor o menor probabilidad de fugarse de un estudiante. Y ahora que tenemos todos estos valores, podríamos sacar el peso de cada variable en la propensión de que un cliente se fugue o siga activo con nosotros, pudiendo quedar algo tal que así:

  • meses acumulados: 20%
  • asignaturas matriculadas: 12%
  • % meses pagados en plazo: 25%
  • cantidad interacciones:
  • valor monetario centro:
  • número compañeros de clase en academia:

¿Cómo se obtienen estos pesos? De analizar las probabilidades de fuga que dan determinados valores de variable, y coger los factores con mayor capacidad predictiva (es decir, los que tienen un ratio X:Y más alto). Y así, para cada estudiante que tengamos en la academia, simplemente de multiplicar el valor de cada variable por estos pesos ponderados, podremos darle un score entre 0 y 1. En la siguiente representación gráfica nos sale una forma de representarlo de manera visual:

Modelo predictivo de fuga de clientes: priorizando acciones (Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

Modelo predictivo de fuga de clientes: priorizando acciones (Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

¿Y qué tendríamos que hacer ahora? Pues básicamente localizar nuestro público objetivo para evitar que se fuguen. Y, a ese público objetivo, aplicarles alguna acción. Acciones como: descuentos a los más propensos a irse, promociones adhoc a un conjunto de clientes que si bien no son los más propensos a irse ya no tienen la mejor experiencia de cliente, etc. etc. Aquí es donde los equipos de marketing entran con sus técnicas, y donde el análisis de datos ya no entra (aunque sí que pudiera aportar cierta evidencia respecto a cuales de estas técnicas han sido en el pasado las más efectivas). Por último, seleccionar bien el momento ideal para las acciones de retención dependerá del equilibrio a conseguir entre dos variables: Coste de prevención de fuga y la Tasa de éxito en prevención de fuga.

Estos mismos modelos de a la fuga, también se han trabajado con árboles de decisión (aquí para un modelo de abandono voluntario de clientes) o con modelos de regresión logística (ver aquí un caso interesante). Por cierto, cabría preguntarse por qué este tipo de análisis son tan necesarios para una empresa. Una gráfica para respondernos. Construir relaciones duraderas y sostenibles en el tiempo entre las empresas y sus clientes, permitiendo incrementar el índice de satisfacción, la involucración y la optimización del marketing de compromiso. Por lo tanto, contactar a los más propensos a fugarse da buenos resultados a una empresa. Buscamos clientes prescriptores.

Aumento de productividad con modelos predictivos (Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

Aumento de productividad con modelos predictivos (Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf)

4 thoughts on “Retención de clientes: buscando prescriptores de mi empresa a través de un modelo de propensión a la fuga

  1. Pingback: Estrategias omnicanal y análisis de sensibilidad para rentabilizar mi tienda online

  2. Pingback: Workshop "Aplicación del Big Data en sectores económicos estratégicos" - Deusto BigData

  3. jhony henry

    Estuvo muy buena la presentación.
    Sería de mucha ayuda que puedas explicar con un ejemplo ¿Cómo se obtienen estos pesos? .

    Reply

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *