Este documento describe los modelos de propensión y su uso en el análisis de datos. Explica que los modelos de propensión estiman la probabilidad de que un cliente realice una acción como comprar un producto, abandonar el servicio o incurrir en impago. Luego discute algunas técnicas como árboles de decisión, redes neuronales y regresión logística que se pueden usar para crear estos modelos predictivos. Finalmente, presenta algunos casos de aplicación como la detección de fuga de clientes y la sensibilidad al precio
6. 6
Modelos de propensión
Introducción (IV)
●Máxima efectividad ya que atacamos a clientes
concretos con la antelación suficiente como para
retenerlos
●Construcción de modelos que predicen la
propensión a compra o abandono en base a
características actuales del cliente
●Los modelos tienen más profundidad en el uso
de variables (continuamente actualizadas) e
identifican con mayor anticipación posibles
desviaciones en las propensiones del cliente
7. 7
Modelos de propensión
¿Qué son?
●Pueden ser:
o Compra (cross-sell y up-sell)
o Fuga (si pudiera dejar de ser nuestro cliente)
o Riesgo de impago (que no pague lo que adeuda)
o Fraude
o Sensibilidad al precio (descuentos)
o etc.
●Son modelos que estiman la probabilidad de
que se produzca esa conducta (compra, fuga,
etc.) para cada uno de nuestros clientes
o Permite generar modelos predictivos para poder tomar
decisiones de negocio en tiempo real
8. 8
Modelos de propensión
¿Por qué?
● Construir relaciones duraderas y sostenibles en
el tiempo entre las empresas y sus clientes,
permiten:
o Incrementar el índice de satisfacción
o 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
9. 9
Modelos de propensión
¿Por qué? (II)
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
10. 10
Modelos de propensión
¿Por qué? (III)
● Uno de los fundamentos básicos de la
experiencia humana es que el futuro próximo es
parecido al pasado reciente
o Esto se ha demostrado empíricamente tanto a nivel
individual como social
● Por lo tanto, cabe concluir que el
comportamiento futuro de un individuo será
parecido a su comportamiento pasado
o Y así, podemos extrapolar esta visión a que los sucesos
futuros en un negocio, serán parecidos a los sucesos del
pasado reciente
11. 11
Modelos de propensión
¿Por qué? (IV)
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
12. 12
Modelos de propensión
¿Por qué? (V)
● 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
13. 13
Modelos de propensión
La Experiencia de Cliente
Fuente: http://www.melmarketing.es/wp-content/uploads/2014/01/Resultado-ecuacio%CC%81n-ECEL.png
14. 14
Modelos de propensión
La Experiencia de Cliente (II)
●Una experiencia bien diseñada empieza antes de
la compra, se intensifica durante la misma y se
mantiene hasta la siguiente
o ¿Qué métricas utilizar para saber que mis clientes están
disfrutando y por lo tanto me podrán prescribir?
o Hay que tener como objetivo retener a los mejores/más
rentables clientes, e identificar los factores clave que
influyen en el attrition (fuga de clientes)
o Identificando a través de modelos predictivos los clientes
con más alta propensión a la fuga
o Para ello, se utilizan scores para priorizar los clientes
objetivo para acciones de retención.
15. 15
Modelos de propensión
Score de clientes
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
16. 16
Modelos de propensión
Score de clientes (II)
●El score de los modelos está correlacionado con
la probabilidad de que suceda un evento
o Esto impacta en el resultado de las acciones
●La mayor parte del esfuerzo se concentra en
identificar, crear y transformar las variables
para el análisis
18. 18
Modelos de propensión
Técnicas: Árboles de decisión
Fuente: https://bigml.com/user/czuriaga/gallery/model/53a071d4c8db6379930014f6
Fuente: http://www.vladislav.lazarov.pro/files/research/papers/churn-prediction.pdf
19. 19
Modelos de propensión
Técnicas: Árboles de decisión (II)
●Son la alternativa idónea cuando el modelo debe
seguir una lógica de negocio para ser explicado
●Consiste en clasificar a los individuos en grupos
de comportamiento diferente discriminando por
las variables de entrada
●Es una técnica de modelización supervisada
●Se utilizan cuando el sentido de negocio es un
factor de peso en la estructura del modelo
20. 20
Modelos de propensión
Técnicas: Árboles de decisión (III)
●Ventajas
o Su principal virtud es que son entendibles y explicables
o Buena capacidad predictiva con variables categóricas
§ Es necesario trabajar las variables de entrada
definiendo los cortes adecuados
o Alta flexibilidad en cuanto a los tipos de variables de
entrada y tratamiento de missings
§ Además no se ven muy afectados por los outliers
o Muy fáciles de implementar, mantener y revisar
o Se debe controlar el sobre ajuste del modelo evaluando
el modelo con una muestra de test para asegurar la
precisión
21. 21
Modelos de propensión
Técnicas: Redes neuronales
●Son una buena alternativa pero requiere más
trabajo de exploración que otras técnicas
●Combinan los atributos de una observación para
tomar una decisión
●El proceso de modelización consiste en entrenar
a la red neuronal para que aprenda a combinar
los atributos con la estructura y pesos más
adecuados.
22. 22
Modelos de propensión
Técnicas: Redes neuronales (II)
●Ventajas
o Siguen un proceso heurístico de entrenamiento que le
permite ir ajustando los pesos para los atributos de
entrada (p.e: back propagation)
o Las variables de entrada deben normalizarse en rangos
de 0 a 1 para facilitar la convergencia del algoritmo
o Cuantas más capas intermedias más ajustará el resultado
y más riesgo de sobreajuste
§ Es importante tener una muestra de entrenamiento y
una muestra de test
o Uno de los argumentos para no usar las redes neuronales
suele ser que es una caja negra difícil de interpreta
23. 23
Modelos de propensión
Técnicas: Modelos de regresión logística
●Una de las técnicas más utilizadas porque son
modelos eficientes y de alta capacidad
predictiva
●La regresión logística es una técnica de
modelización paramétrica
●Se supone que la relación entre las variables
explicativas y la variable target transformada
(logit) es lineal
24. 24
Modelos de propensión
Técnicas: Modelos de regresión logística (II)
●Ventajas
o No hay limitaciones en cuanto a las variables
independientes o explicativas, pueden ser continuas o
categóricas
o Definida la variable dependiente como la ocurrencia o no
de un acontecimiento, el modelo de regresión logística la
expresa en términos de probabilidad
o Requieren menos esfuerzo que las redes neuronales
§ No es necesario explorar diferentes estructuras e ir
comprobando diferentes sobreajustes
o En caso de tener que hacer múltiples modelos resultan la
mejor opción
25. 25
Modelos de propensión
Estrategia
●Localizar público objetivo
●A ese público, aplicarles alguna acción:
o Descuentos a los más propensos a irse
o 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
o etc
●Seleccionar bien el momento ideal para las
acciones de retención dependerá del equilibrio a
conseguir entre dos variables
o Coste de prevención de fuga
o Tasa de éxito en prevención de fuga
26. 26
Modelos de propensión
Casos: Churn o Fuga
Fuente: http://www.retentionscience.com/the-top-4-reasons-customers-churn-and-how-to-prevent-it
Fuente: http://www.forentrepreneurs.com/customer-success/
27. 27
Modelos de propensión
Casos: Gasto futuro
● Para predecir el
consumo que tendrá
el Cliente el próximo
año
● A partir de ese gasto
futuro estimado, se
calcula el valor
esperado del cliente
pudiendo determinar
si éste será rentable o
no
Fuente: http://mod-keynesiano.blogspot.com.es/p/modelo-keynesiano.html
28. 28
Modelos de propensión
Casos: Sensibilidad al precio
● Se realiza un análisis de sensibilidad al precio de
los clientes, identificando aquellos grupos de
usuarios más sensibles a un cambio en el precio
Fuente. http://planuba.orientaronline.com.ar/tag/costos/
29. 29
Modelos de propensión
Business case: Sector asegurador
● Objetivos
o Desarrollar los modelos predictivos de gasto futuro y
fuga de los diferentes ramos (auto, hogar, accidentes y
decesos), para todos los clientes particulares y empresas.
o Determinar la sensibilidad al precio por cada uno de los
productos .
o Realizar una segmentación por fuga y valor de cada
producto.
o Desarrollar el modelo de propensión de compra de todos
los productos.
30. 30
Modelos de propensión
Business case: Sector asegurador (II)
● Objetivos (cont.)
o Crear un sistema de recomendación de acciones de
marketing para cada cliente.
o Identificar hogares y determinar el estadio de vida
dentro de la compañía.
o Crear una segmentación estratégica global basada en
hogares que tuvieran en cuenta todos los miembros del
hogar y sus productos.
o Desarrollar una estrategia de relación para cada uno de
los segmentos
31. 31
Modelos de propensión
Business case: Sector asegurador (III)
● Fases del proyecto
o Fase I: Se realiza el análisis y segmentación de usuarios
de productos de Salud según tipología de hogares, y se
trabajan los modelos de fuga y valor de los clientes.
o Fase II: Se sigue complementando y enriqueciendo el
proceso de segmentación de clientes y se trabajan
modelos de fuga, valor y sensibilidad al precio del resto
de ramos.
o Fase III: Se desarrolla el sistema recomendador que
permita ofrecer los productos más óptimos a los clientes
adecuados.
32. Copyright (c) 2016 University of Deusto
This work (but the quoted images, whose rights are reserved to their owners*) is licensed under the Creative
Commons “Attribution-ShareAlike” License. To view a copy of this license, visit
http://creativecommons.org/licenses/by-sa/3.0/
Alex Rayón Jerez
Febrero 2016
33. PROGRAMA DE BIG DATA Y
BUSINESS INTELLIGENCE
Modelos de propensión
Alex Rayón Jerez
alex.rayon@deusto.es
@alrayon
Febrero, 2016. Madrid.