Predecir y maximizar el valor del ciclo de vida del cliente

Básicamente, en un modelo de abandono, calculamos la probabilidad de que un cliente determinado pase del «estado de cliente normal» al «estado de cliente que ha abandonado». Ilustremos esto con un pequeño gráfico:

El término «ACVL segment_s» hace referencia al «valor medio de la vida útil del cliente» de todos los clientes incluidos en los segmentos: este valor debe ser facilitado por el analista de negocios o el equipo de marketing.

La previsión del CLV (valor del ciclo de vida del cliente) de un «» concreto que se encuentra actualmente en el segmento «estado activo» es la siguiente:

…o, dicho de forma más sencilla:

…donde P churn(INDi) es la probabilidad de pérdida de clientes en los próximos 3 meses para el individuo «IND i».

Esta probabilidad se calcula mediante un modelo predictivo (que suele elaborarse con TIMi).

Aquí hay otro gráfico que explica el caso más general:

El gráfico anterior contiene cuatro estados (clientes de alto valor, clientes de valor medio, clientes de bajo valor y clientes que han abandonado). Estos estados pueden definirse mediante reglas de negocio (esa es la forma más «natural» de hacerlo) o bien pueden ser el resultado de una segmentación avanzada creada con Stardust. Debes crear un modelo predictivo para cada transición posible. Esto significa que, en este caso sencillo, ya hay 8 modelos predictivos que crear (al menos 5). En el gráfico anterior no se ilustran todas las transiciones posibles. Por ejemplo, para la «TRANSICIÓN ml», debes crear un modelo predictivo que estime la probabilidad de que un cliente que se encuentre en el estado «Cliente de valor medio» pase al estado «Cliente de bajo valor» en los próximos tres meses.

Como puedes ver, la creación de todo el sistema que se utiliza para predecir el CLV real (con tres meses de antelación) de un cliente es un proceso que requiere mucho tiempo, ya que implica crear muchos (¡muchísimos!) modelos diferentes (uno para cada transición). Afortunadamente, con TIMi, la creación de un modelo predictivo es bastante rápida.

Por eso TIMi es la solución óptima a la hora de crear un sistema para predecir el CLV real de un cliente.

Una vez calculados todos los diferentes modelos predictivos, en nuestra herramienta analítica ETL (Anatella) hay un pequeño recuadro que predice directamente el CLV de cada cliente. Este cuadro es bastante sencillo: por ejemplo, el CLV previsto (en un periodo de 3 meses) de un individuo «IND i» que se encuentra actualmente en el estado «Cliente de bajo valor» es:

El CLV previsto (en un horizonte de 6 meses, es decir, con dos pasos temporales de antelación) de un individuo «IN i» que se encuentra actualmente en el estado «Cliente de bajo valor» es:

Por supuesto, la precisión de la predicción del CLV depende directamente de la precisión de los «modelos predictivos individuales» que componen el sistema de predicción del CLV. En la mayoría de los casos, estos «modelos predictivos individuales» ya tienen una precisión muy baja, por lo que no debes esperar una predicción del CLV muy precisa (especialmente si utilizas cualquier otra herramienta de minería de datos que no sea TIMi para crear los «modelos predictivos individuales»).

Los proveedores de minería de datos suelen buscar añadir nuevas funcionalidades a su herramienta en lugar de mejorar las que ya ofrecen. De hecho, resulta muy difícil mejorar la precisión de las predicciones (es decir, obtener un mayor aumento en el CONJUNTO DE PRUEBA) y es mucho más fácil ofrecer una nueva funcionalidad (que apenas funciona), como este «sistema de estimación del CLV».