Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Customer Analytics

243 visualizaciones

Publicado el

En esta plática mostraremos como utilizar la ciencia de datos para revelar información sobre el comportamiento de nuestros clientes utilizando el historial de transacciones. El enfoque es en modelos para adquirir, retener y desarrollar (cross-sell y up-sell) clientes. Mostraremos ejemplos e historias de éxito de cómo estos modelos han ayudado a nuestros clientes en Europa Central.

Publicado en: Tecnología
  • Sé el primero en comentar

  • Sé el primero en recomendar esto

Customer Analytics

  1. 1. Customer Analytics Presenta: Pablo Maldonado
  2. 2. Introducción
  3. 3. En esta plática INTEGRACIÓN Y TRANSFORMACIÓN ANALYTICS VISUALIZATIONANÁLISIS VISUALIZACIÓN Técnicas para entender mejor a nuestros clients y tomar decisiones clave para mejorar nuestro negocio, usando ciencia de datos
  4. 4. Quién soy? • Doctor en Matemáticas Aplicadas (Universidad París VI) • Consultor Independiente • Machine Learning / Deep Learning / Reinforcement Learning • Customer Analytics, Fraude / Anti-lavado de dinero, Procesamiento de texto • Startups y organizaciones globales • Profesor Universitario • Universidad Tecnológica de la República Checa, Praga CZ • Centro de Investigación Económica y Estudios de Posgrado, Praga
  5. 5. Segmentación de mercado
  6. 6. Qué es segmentación de mercado? • Segmentación de mercado es el proceso de organizar nuestro mercado en grupos con características semejantes Podemos clasificar a nuestros clientes de acuerdo a distintos criterios: - Historial de compras - Categorías de interés - Productos en común
  7. 7. Qué es k-medias? • K-means es un algoritmo de segmentación (clustering) • Clustering es el proceso de organizar datos que comparten características semejantes
  8. 8. Cómo funciona? 1. Se escogen k puntos de nuestro conjunto de datos al azar. 2. Para cada punto, se calcula la semejanza con cada uno de estos k puntos, y asociamos cada punto con el más cercano entre ellos. Estos son los clusters. 3. Para cada cluster, se toma el promedio de los puntos que lo componen como nuevo centroide y se repite el algoritmo hasta que la suma de cuadrados en el cluster deje de decrecer.
  9. 9. Ejemplo
  10. 10. Cuántos clusters se necesitan? Hay muchos métodos para determinar esto. El método del codo funciona como sigue: - Corremos k-medias para diferentes valores de k - Guardamos la suma de cuadrados intra-cluster - Creamos una gráfica como la de la izquierda y buscamos el punto de inflexión (el codo).
  11. 11. Pasos – Segmentación de mercado 1. Crear resumen RFM 2. Discretización 3. Clustering 4. Explicar los resultados Resumen básico de los clientes: - Recency el número de días desde la última compra. - Frequency el número de compras. - Monetary total de dinero gastado. Este paso es importante para - Poner las cantidades a escala - Hacer segmentación que tenga sentido“ - Hay una diferencia enorme entre gastar 0 o 10 pesos, pero no tanto entre gastar 1000 y 1010.
  12. 12. Paso 0: Cargar los datos
  13. 13. Paso 1: Resumen RFM
  14. 14. Paso 2: Discretización Los valores de cada segmento se obtienen - Visualmente - Usando quantiles
  15. 15. Paso 3: Clustering
  16. 16. Paso 3: Clustering
  17. 17. Paso 4: Interpretar los resultados
  18. 18. Paso 5: Como leer las leyendas - LHH: Segmento diamante, mejores clientes. - HHH: Bellas durmientes. - HHL: No gastan mucho, pero si el objetivo es incrementar la presencia en el mercado, vale la pena reactivar. - HLH: Vale la pena reactivar si el objetivo es incrementar ventas. - HLL: Probablemente perdidos.
  19. 19. Churn y CLV
  20. 20. Motivación • A qué clientes debemos dirigirnos? • Cómo dirigirnos a ellos y por qué canales? Adquisición • Quiénes son nuestros clientes en riesgo? • Por qué se van? Retención • Qué clientes tienen potencial para ofrecerles nuevos productos o servicios? Desarrollo Customer Lifetime Value
  21. 21. Qué es Customer Lifetime Value? Customer Lifetime Value (CLV) es el valor presente esperado de todas las transacciones futuras de un cliente mientras este siga activo La suma de CLVs de los clientes presentes y futuros se llama Customer Equity (CE). Customer Equity es crucial para empresas orientadas a servicios, ya que la mayor parte de sus ingresos viene de relaciones a largo plazo con sus clientes
  22. 22. Estimando Customer Equity En su “Q2 2014 Earnings Conference Call” el CFO de Amazon dijo que “[a]ctive customer accounts exceeded 250 million,” considerando como activos los clientes que hicieron una compra en los doce meses previos. En base a los números presentados por Vodafone Group Plc’s al final de marzo 2014, vemos que Vodafone UK tenía 11.7 million “tarifa mensual” de clientes los doce meses previos. Pregunta: Qué empresa tiene mejor idea de su customer equity?
  23. 23. Modelos probabilísticos La idea es descubrir propiedades latentes de los clientes para inferir comportamientos futuros
  24. 24. Hipótesis del modelo A cada momento de decisión, cada cliente tira una moneda y decide si ❖Comprar/no comprar ❖Morir/vivir Cada quién tiene dos monedas únicas. Todos los modelos que mostraremos se basan en la misma idea.
  25. 25. Discreto contra continuo Eshops
  26. 26. Workflow Transacciones RFM
  27. 27. Workflow (2) RFM Calibración Validación Calcular el monto promedio de la transacción CLV Calibrar un modelo Pareto / NBD model usando Recency y Frequency solamente Suponemos que el gasto en cada transacción sigue una distribución normal Patrones probabilísticos de compra
  28. 28. Implementaciones • Excel! (Bruce Hardie) http://www.brucehardie.com/notes/004/ • BTYD (R package) https://cran.r-project.org/web/packages/BTYD/index.html • BTYD Plus https://github.com/mplatzer/BTYDplus • Lifetimes (Python) https://github.com/CamDavidsonPilon/lifetimes
  29. 29. BTYD
  30. 30. BTYD (cont.)
  31. 31. Realidad vs Validación
  32. 32. Realidad vs Validación
  33. 33. Cómo se usa esto en práctica?
  34. 34. Customer Analytics High-Level Overview Segmento valioso Reactivación necesaria Qué pasó?
  35. 35. Customer Analytics Identificar clientes en riesgo Set churn threshold of interest High-value customer with high churn risk!
  36. 36. Resumen de cada cliente Intereses principales Filtro interactivo
  37. 37. Casos más avanzados
  38. 38. Segmentación de mercado - Telco • 80% del tráfico en la red de la empresa de telecomunicaciones promedio en Europa genera 20% del ingreso, en parte por el incremento en el uso de datos. • Necesidad creciente en el sector de utilizar los datos de los clientes para mejorar procesos internos y monetizarlos externamente.
  39. 39. Segmentación – Patrones de navegación
  40. 40. Modelos
  41. 41. Funciona? • CTR en caída constante (de 44% to 0.2%, 49% son bots) • 70% incremento en CTR • 4x ventas • Nuevas fuentes de ingreso (reventa de datos agregados)
  42. 42. Pablo Maldonado @pablito_prague www.linkedin.com/in/jpmaldo info@pablomaldonado.org www.pablomaldonado.org

×