Mejorando el poder predictivo de los métodos de pronóstico de CHURN a través de la segmentación de los clientes

1. MEJORANDO EL PODER PREDICTIVO DE LOS MÉTODOS DE PRONÓSTICO A TRAVÉS DE LA SEGMENTACIÓN DE LOS CLIENTES. Darwin Amézquita, Master en Economía Analytics

2. SOBRE MI  Pregrado y maestría en Economía en la Universidad de Los Andes.  Trabajo desde hace 2 años como jefe de Cobranzas para Decision Analytics. Directv, Gerencia de Decision Analytics.  Trabajé 3 años como Director de Modelos en la gerencia de Portafolio. Colpatria-Scotia Bank, Gerencia de Modelos.  Autor y Co-autor de 5 Papers presentados en el SAS Global Forum/Conferencia de Analytics de SAS.

3. INTRODUCCIÓN  Antecedentes  Oportunidad de Negocio  Desarrollo  Segmentación de Clientes  Selección de Variable  Back Testing  Resultados  Conclusiones

4. INTRODUCCIÓN  Antecedentes  Oportunidad de Negocio  Desarrollo  Selección de Variable  Segmentación de Clientes  Back Testing  Resultados  Conclusiones

10. Hacer predicciones es muy difícil, especialmente cuando se trata del futuro… (Niels Bohr) Premio Novel de física en 1922.

11. Mora Cargue a Gestión DX RX Vencimiento Factura Día 15 de Mora Vencimiento 2da Factura Día 50 de Mora Inicio Pronóstico Tasas de efectividad PRONÓSTICO - ANTERIOR Churn Neto

13. OPORTUNIDAD ¿Qué? • Mejorar el Pronóstico de Churn • Tener un seguimiento diario ¿Por qué? • Ineficiencias • Decisiones ¿Cómo? • Usando Anaytics • Segmentación de Clientes Resultado • Proceso diario • Mejora en la precisión • Mejora en el churn

14. INTRODUCCIÓN  Antecedentes  Oportunidad de Negocio  Desarrollo  Segmentación de Clientes  Selección de Variable  Back Testing  Resultados  Conclusiones

15. Mora Cargue a Gestión DX RX Vencimiento Factura Día 15 de Mora Vencimiento 2da Factura Día 50 de Mora Inicio Pronóstico Tasas de efectividad PRONÓSTICO - ANTERIOR Churn Neto Inicio Pronóstico Clientes DX Churn Neto

16. METODOLOGÍA • Para usar la metodología de ANOVA/POST ANOVA es necesario categorizar todas las variables • Bining Interactivo (SAS Miner) Gini Impurity Transformación de variables • Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes. Selección de variables • A través de la POSANOVA • Se definen cuales son los perfiles de clientes que tienen medias estadísticamente diferencias Generación de perfiles • Si tu objetivo es pronosticar, debes buscar el mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes. Backtesting

18. CATEGORIZACIÓN

21. METODOLOGÍA • Para usar la metodología de ANOVA/POST ANOVA es necesario categorizar todas las variables • Bining Interactivo (SAS Miner) Gini Impurity Transformación de variables • Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes. Selección de variables • A través de la POSANOVA • Se definen cuales son los perfiles de clientes que tienen medias estadísticamente diferencias Generación de perfiles • Si tu objetivo es pronosticar, debes buscar el mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes. Backtesting Source DF Mean Square F Value Pr > F GRP_dias_para_dx 3 138.548.699 16.85 <.0001 GRP_nivel_de_riesgo_ 3 0,63452907 7.72 <.0001 GRP_ANTIGUEDAD_2 3 0,29126066 3.54 0.0141 perfil 2 0,48325008 5.88 0.0029 GRP_Producto 5 0,03007973 0.37 0.8722 MOP_ACTUAL 3 0,01519597 0.18 0.9068 GRP_dias_para*perfil 6 0,24270575 2.95 0.0072 GRP_dias_*GRP_Produc 15 0,06638425 0.81 0.6705 GRP_nivel_de_*perfil 6 0,16194953 1.97 0.0669 GRP_nivel*MOP_ACTUAL 9 0,1167049 1.42 0.1743 GRP_ANTIG*MOP_ACTUAL 9 0,1654189 2.01 0.0347

23. METODOLOGÍA • Para usar la metodología de ANOVA/POST ANOVA es necesario categorizar todas las variables • Bining Interactivo (SAS Miner) Gini Impurity Transformación de variables • Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes. Selección de variables • A través de la POSANOVA • Se definen cuales son los perfiles de clientes que tienen medias estadísticamente diferencias Generación de perfiles • Si el objetivo es pronosticar, debes buscar el mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes. Backtesting

24. ANOVA - ANTIDESCONEXION  Variables escogidas para la antidescionexión:  Pendiente de la mora  Antigüedad  Nivel de Riesgo  Días para la DX  Producto + Método de pago.

25. ANOVA - RECONEXIÓN  Variables escogidas para la Reconexión:  Pendiente de la mora  Antigüedad  Nivel de Riesgo  Día de la RX * Días desde la DX  Tecnología.

27. GANANCIAS EN LAS TASAS DE DX 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1_1_1_1_2 1_2_1_1_1 1_2_1_1_2 2_1_1_1_2 1_2_2_1_2 5_2_2_1_1 3_2_1_1_2 3_2_2_2_1 3_2_2_1_2 2_2_2_2_2 4_2_2_1_2 1_1_2_1_2 2_1_1_2_1 4_2_1_2_2 5_1_1_1_2 2_1_2_1_2 5_2_1_1_2 3_1_1_2_2 5_1_2_1_1 4_1_1_2_1 1_1_1_2_1 4_1_1_1_2 4_1_1_1_1 5_1_1_1_1 1_1_2_2_2 2_1_2_1_1 5_2_2_2_1 Tasas de DX por perfil Tasa DX por Perfil Promedio

28. GANANCIAS EN LAS TASAS DE RX 0.0% 5.0% 10.0% 15.0% 20.0% 25.0% 30.0% 35.0% 40.0% 1 2 3 4 5 6 7 8 Tasa de Reconexión por día Perfil 1 Perfil 2 Perfil 3 Perfil 4 Perfil 5 Perfil 6 Perfil 7 Total 71.9% 71.2% 78.0% 68.8% 81.0% 100.0% 21.4% 88.8% Perfil 1 Perfil 2 Perfil 3 Perfil 4 Perfil 5 Perfil 6 Perfil 7 Total Tasa de Reconexión Diferencias significativas en las tasas de eventos

29. PRONÓSTICO ANTERIOR -2000 -1500 -1000 -500 0 500 1000 1500 2000 2500 3000 -1000 0 1000 2000 3000 4000 5000 6000 01 03 05 07 09 11 13 15 17 19 21 23 25 27 29 31 DX Forecast DX Real RX Pronóstico RX Real Churners netos pronóstico Chruners netos real

30. PRONÓSTICO ACTUAL -1500 -1000 -500 0 500 1000 1500 2000 2500 3000 -1000 0 1000 2000 3000 4000 5000 6000 01 03 05 07 09 11 13 15 17 19 21 23 25 27 29 DX Forecast DX Real RX Pronóstico RX Real Churners netos pronóstico Chruners netos real

31. GANANCIAS EN LAS TASAS DE DX 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 1_1_1_1_2 1_2_1_1_1 1_2_1_1_2 2_1_1_1_2 1_2_2_1_2 5_2_2_1_1 3_2_1_1_2 3_2_2_2_1 3_2_2_1_2 2_2_2_2_2 4_2_2_1_2 1_1_2_1_2 2_1_1_2_1 4_2_1_2_2 5_1_1_1_2 2_1_2_1_2 5_2_1_1_2 3_1_1_2_2 5_1_2_1_1 4_1_1_2_1 1_1_1_2_1 4_1_1_1_2 4_1_1_1_1 5_1_1_1_1 1_1_2_2_2 2_1_2_1_1 5_2_2_2_1 Tasas de DX por perfil Tasa DX por Perfil Promedio Perfil Perfil-Tasa ¿Acciones?

32. GANANCIA 16.9% 19.4% 43.2% 16.3% 45.3% 30.5% 2.9% 10.6% 14.6% 9.0% 16.4% 4.8% 11.2% 16.6% 13.0% 4.5% 14.2% Apr-14 May-14 Jun-14 Jul-14 Aug-14 Sep-14 Oct-14 Nov-14 Dec-14 Jan-15 Feb-15 Mar-15 Apr-15 May-15 Jun-15 Jul-15 Aug-15 Desviación absoluta del Forecast

33. CONCLUSIONES  Hay ganancias significativas en el poder predictivo de los pronósticos de churn.  Cada evento a pronóstico requiere un nuevo proceso de categorización de variables, selección de variables y selección de perfiles.  En el caso presentado anteriormente las tasas de Desconexión y Reconexión son evidentemente distintos entre perfiles.  El método de selección de perfiles con la ANOVA y POST-ANOVA es un método eficiente para fines prácticos de mejorar la predicción del modelo de pronóstico.

34. ¿PREGUNTAS?

35. CONTACTO  Darwin Alberto Amezquita  Business Partner Churn Involuntario  Decision Analytics|DIRECTV Colombia Ltda  Cel. (+57) 321 496 9356  Tel. 6516000 Ext. 1673  Email: alberto24d@gmail.com  www.directv.com.co

Mejorando el poder predictivo de los métodos de pronóstico de CHURN a través de la segmentación de los clientes

Recomendados

Recomendados

Más contenido relacionado

Más de Big Data Colombia

Más de Big Data Colombia (19)

Último

Último (20)

Mejorando el poder predictivo de los métodos de pronóstico de CHURN a través de la segmentación de los clientes

Notas del editor