Anticípate a la pérdida de clientes antes de que se produzca

¿Por qué son tan importantes los «modelos de baja»? Veamos un ejemplo. Por lo general, la tasa de baja anual de un operador de telecomunicaciones (es decir, un operador de telefonía móvil) es del 12 %. Esto significa que, cada año, un operador de telefonía móvil pierde el 12 % de sus clientes (lo que, por lo general, no supone un verdadero problema, ya que, en un mercado saturado, esa misma empresa de telecomunicaciones gana un 12 % de nuevos clientes y, en general, todo se mantiene «en equilibrio»).

Si conseguimos identificar a estos «clientes de riesgo» y evitar que se marchen, la empresa de telecomunicaciones obtendrá las siguientes ventajas:

(20 € al mes × 12) × 1 000 000 × 12 % = 28 800 000 euros

En la ecuación anterior, hemos partido de la siguiente hipótesis:

• cuota de suscripción de 20 € al mes, pagadera a lo largo de un año
• que este pequeño operador de telefonía móvil cuenta con aproximadamente 1 000 000 de clientes
• Y que la tasa de cancelación de suscripciones anual es del 12 %

Imaginemos que utilizamos TIMi para nuestras previsiones. TIMi es capaz de detectar correctamente «con antelación» al 40 % de los clientes que podrían dar de baja su suscripción.El operador de telecomunicaciones puede entonces ofrecer a los clientes que están a punto de darse de baja «minutos de llamada gratis» (u otro incentivo) y, de este modo, consigue fidelizar al 25 % de los clientes que podrían marcharse. En este ejemplo, el valor de la clasificación generada con TIMi es:

28 800 000 € × 40 % × 25 % = 2 880 000 €.

Los demás programas comerciales habituales de minería de datos, considerados los mejores de su categoría, solo logran detectar «por adelantado» como máximo el 30 % de los clientes que podrían darse de baja. Por lo tanto, el valor de su clasificación se limita a:

28 800 000 € × 30 % × 25 % = 2 160 000 €.

Business-Insight se esfuerza por mejorar la precisión de las previsiones de TIMi, teniendo en cuenta el enorme valor añadido que cada modelo predictivo aporta a nuestros clientes. En este ejemplo, esto supone casi un millón de euros más en comparación con una herramienta de modelización estándar para un solo modelo predictivo. La mayor precisión de TIMi queda demostrada por su excepcional rendimiento en las distintas ediciones de la KDD Cup.

El objetivo del concurso internacional de minería de datos KDD-2009 se correspondía con una tarea muy habitual en el sector de las telecomunicaciones y refleja fielmente el tipo de tareas con las que se encuentra uno en la «vida real » (a diferencia de las tareas puramente «abstractas» que suelen proponerse en este tipo de concursos universitarios).

En el concurso KDD2009, la clasificación final se basa en la calidad/precisión media (AUC) de tres modelos predictivos elaborados a partir de datos facilitados por la empresa «Orange» (Orange es la empresa líder en telecomunicaciones en Francia). Los tres modelos predictivos que deben desarrollarse para el concurso KDD2009 son un modelo de baja de servicio, un modelo de venta cruzada y un modelo de «propensión a la compra» (interés).

El concurso fue una auténtica «lucha a muerte», ya que todos querían demostrar su superioridad en «tareas del mundo real». En el KDD2009, había:

• 1.299 equipos inscritos
• 7.865 entradas
• 46 países (Argentina, Australia, Austria, Bélgica, Brasil, Bulgaria, Canadá, Chile, China, Fiyi, Finlandia, Francia, Alemania, Grecia, Hong Kong, Hungría, India, Irán, Irlanda, Israel, Italia, Japón, Jordania, Letonia, Malasia, México, Países Bajos, Nueva Zelanda, Pakistán, Portugal, Rumanía, Federación de Rusia, Singapur, República Eslovaca, Eslovenia, Sudáfrica, Corea del Sur, España, Suecia, Suiza, Taiwán, Turquía, Uganda, Reino Unido, Estados Unidos, Uruguay)

Como es habitual en este tipo de concursos, tu clasificación depende de la precisión (media) de los tres modelos predictivos (ventas cruzadas, ventas adicionales, pérdida de clientes) que crees: cuanto mayor sea la precisión, mejor será tu clasificación. A continuación se muestra un gráfico que ilustra la precisión de los 100 mejores participantes: el punto ROJO corresponde a la precisión obtenida con TIMi:

Supongo que la precisión obtenida con otros programas de análisis predictivo «para el gran público» ronda el 0,77 (AUC = 77 %). Aunque es muy probable que todos los principales proveedores de soluciones de minería de datos hayan participado en el estudio, no han revelado su clasificación final… Así que nunca sabremos con certeza la precisión de su herramienta… Me pregunto por qué…

Estos resultados del concurso sitúan a TIMi como la mejor herramienta de minería de datos predictiva «disponible en el mercado» del mundo (los muy pocos equipos que lograron obtener resultados ligeramente superiores a los de TIMi utilizaban todos prototipos de software no accesibles al público en general). Estos resultados se obtuvieron en un concurso internacional independiente de los editores, organizado por investigadores universitarios reconocidos en el ámbito de la minería de datos.

La mayor precisión de los modelos predictivos TIMi se traduce en una diferencia considerable en cuanto al rendimiento de la inversión para un operador de telecomunicaciones.

TIMi también se ha utilizado para crear un modelo predictivo de bajas en la suscripción para un distribuidor de productos cosméticos de renombre mundial.

El objetivo aquí es identificar a los clientes que ya no comprarán sus productos cosméticos en la misma tienda. Más concretamente: lo que realmente nos interesa es la predicción inversa: «¿Quiénes son los clientes fieles?» (en otras palabras, lo que se busca es un modelo predictivo capaz de identificar a los clientes que «volverán a comprar»). Una vez que se sabe quiénes son los clientes fieles, se les puede recompensar con vales de descuento y rebajas.

Estos son los resultados del modelo predictivo:

Ofrecer vales de descuento de gran valor a clientes no fieles podría suponerle un gasto considerable sin que ello mejore la fidelidad de su clientela. Una vez más, incluso en este contexto tan sencillo, la precisión del modelo predictivo es fundamental para el éxito de su campaña de fidelización.