La presentación de Pablo Maldonado aborda el uso de análisis de clientes y segmentación de mercado mediante técnicas como k-means para entender mejor a los consumidores y mejorar la toma de decisiones empresariales. Se discuten conceptos clave como el valor del cliente a lo largo del tiempo (CLV) y la importancia del análisis de datos en la identificación de clientes en riesgo y oportunidades de retención. Además, se exploran métodos de visualización y herramientas digitales utilizadas para aplicar estas estrategias en la práctica.

1. Customer Analytics
Presenta:
Pablo Maldonado

2. Introducción

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. 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. Segmentación de mercado

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. Qué es k-medias?
• K-means es un algoritmo de
segmentación (clustering)
• Clustering es el proceso de organizar
datos que comparten características
semejantes

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. Ejemplo

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. 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. Paso 0: Cargar los datos

13. Paso 1: Resumen RFM

14. Paso 2: Discretización
Los valores de cada segmento se
obtienen
- Visualmente
- Usando quantiles

15. Paso 3: Clustering

16. Paso 3: Clustering

17. Paso 4: Interpretar los resultados

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. Churn y CLV

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. 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. 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. Modelos probabilísticos
La idea es descubrir propiedades
latentes de los clientes para
inferir comportamientos futuros

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. Discreto contra continuo
Eshops

26. Workflow
Transacciones
RFM

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. 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. BTYD

30. BTYD (cont.)

31. Realidad vs Validación

32. Realidad vs Validación

33. Cómo se usa esto en práctica?

34. Customer Analytics
High-Level Overview
Segmento valioso
Reactivación
necesaria
Qué pasó?

35. Customer Analytics
Identificar clientes en riesgo
Set churn threshold
of interest
High-value customer
with high churn risk!

36. Resumen de cada cliente
Intereses principales
Filtro interactivo

37. Casos más avanzados

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. Segmentación – Patrones de navegación

40. Modelos

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. Pablo Maldonado
@pablito_prague
www.linkedin.com/in/jpmaldo
info@pablomaldonado.org
www.pablomaldonado.org