Una introducción básica sobre el desarrollo de modelos predictivos de Fuga de Clientes (Churn) para acciones de retención temprana. Hugo Cisternas hcisternas@gmail.com

1. Construcción de Modelos predictivos de Fuga de clientes Hugo Cisternas 1

2. Fundamento básico de la experiencia humana El futuro próximo será parecido al pasado reciente a nivel de experiencia individual a nivel de experiencia social El comportamiento futuro de un individuo será parecido a su comportamiento pasado Los sucesos futuros serán parecidos a los sucesos del pasado reciente 2

3. Ejemplo Si otras condiciones se mantienen, esperamos que: La tasa de ventas será parecida al pasado Excepto que iniciemos una campaña, para la que tenemos alguna predicción respecto a su tasa de respuesta La tasa de incorporaciones será similar al pasado La tasa de abandono no será significativamente diferente al pasado 3

4. Predicción de fuga Herramienta para estimar la probabilidad de Fuga dentro de los próximos 6, 9 o 12 meses Caer en inactividad en los próximos meses Abandono temprano, al momento de solicitud Abandono temprano al solicitar sobregiros, autorizaciones, etc. 4

5. ¿Qué datos son importantes? Todos los datos pueden ser importantes El análisis debe omitir prejuicios respecto a la importancia de un ítem de dato No todos los datos serán igualmente importantes Existen interacciones entre algunos datos Las personas mayores, en general, tendrán mayor antigüedad en el empleo Propietarios de casa, en general, tendrán sueldos mayores que los que arriendan Los solteros, en general, tendrán menos cargas familiares Quienes viven en Las Condes tendrán, en general, sueldos mas altos que quienes viven en Pudahuel Al comienzo, el grado de interacción no se conoce 5

6. Primer paso Armar el set de datos a analizar: Obtener un conjunto de clientes con resultado conocido 6 “activos” Set de Datos Vigentes Clientes Ex clientes “fugados”

7. Conjunto de datos para análisis Establecer línea de tiempo base Obtener datos conocidos al comienzo Marcar resultado al final de período de estudio 7 Activos 6 meses 9 meses 12 meses Final Inicio Fugados

8. Contar Para cada ítem de datos En cada categoría ¿Cuantos “activos” hay? ¿Cuantos “fugados” hay? Ejemplo: ¿Cuantos hombres resultaron activos?¿fugados? ¿Cuantas mujeres resultaron activas?¿fugados? ¿Cuantos solteros resultaron activos?¿fugados? ¿Cuantos casados resultaron activos?¿fugados? 8

9. Ejemplo Muestra de 1.000 activos y 1.000 fugados Género 9

10. Ejemplo: Género 10

11. Ejemplo: Género Calcular los “momios” o “chances” de fugarse en cada caso Las chances son 2 a 1 que un hombre se fugue Las chances son 1/2 a 1 que una mujer se fugue 11

12. Ejemplo Estado Civil Contar los “activos” y “fugados” para cada característica Ejemplo: 12

13. Análisis de características Calcular porcentaje de Bueno y fugados en cada categoría. Calcular las chances de ser bueno en cada categoría 13

14. Re categorización Algunas categorías no contienen suficientes casos. Agrupar todas en una categoría. El caso de información faltante Dejar aparte (no se pueden sacar conclusiones) Incluir en el análisis (aporta información) 14

15. Ejemplo: Antigüedad 15

16. Ejemplo: Antigüedad 16

17. Ejemplo: Antigüedad 17 Re-categorización

18. Desarrollo del Score 18

19. Distribución de Puntajes Porcentaje de activos y fugados según puntaje: 19

20. Distribución de Puntajes Distribución (suavizada) de activos y fugados por puntaje: Promedio fugados: 300 puntos Promedio activos: 500 puntos activos fugados 20

21. Punto de Corte Punto de Corte es el puntaje bajo el cual se considerará un potencial abandono 21 Ejemplo: punto de corte en 150

22. Distribución real Distribución de acuerdo a la cantidad total de individuos en categoría fugados y activos: 22

23. Comparación entre dos sistemas de scoring 23