PASS , antes SPSS México
CRM Analítico para la configuración de oferta del cliente
Lic. Julio César Flores Castro
PASS , antes SPSS México
Actualmente
• Actualmente, se toman miles de decisiones en temas y aspectos críticos, .v.gr. cómo tratar al consumidor, cómo ajustar los procesos organizacionales y cómo responder a la competencia.
• La mayoría de estas decisiones se basan en “consideraciones” – que usualmente se soportan en la experiencia e instinto en la industria que competa – con poco soporte de los datos.
PASS , antes SPSS México
CRM
• CRM ayuda a las compañías a mejorar la rentabilidad de sus interacciones con los clientes y al mismo tiempo hace que la interacción se muestre más amistosa a través de la individualización.
• Para tener éxito en CRM, las compañías necesitan hacer corresponder los productos y las campañas con sus clientes o prospectos. En otras palabras, administrar inteligentemente el ciclo del CRM Analítico.
PASS , antes SPSS México
CRM Analítico
• Con el CRM Analítico, se analizan los datos obtenidos con el CRM operacional o mediante otras fuentes, para segmentar a los clientes o identificar relaciones con otros potenciales.
• El análisis de clientes típicamente puede llevar a campañas dirigidas de Marketing para incrementar las ventas.
PASS , antes SPSS México
Metodología • El proceso de análisis del CRM analítico debe guiarse
por una metodología que cubra por lo menos los siguientes puntos:
Entendimiento del negocio
Entendimiento y preparación de
datos
Modelamiento Evaluación
Implementación
PASS , antes SPSS México
Preguntas de negocio
CRM Analítico
Clasificación
Asociación
Segmentación Series de tiempo
Minería de texto
PASS , antes SPSS México
Definiendo el CRM Analítico. Administrar todas las interacciones con el cliente
Etapas del ciclo de Vida del Cliente
Adquirir clientes
Incrementar el valor del cliente
Retener clientes valiosos
PASS , antes SPSS México
Definiendo el CRM Analítico. Administrar todas las interacciones con el cliente
Etapas del ciclo de Vida del Cliente
Adquirir clientes
Incrementar el valor del cliente
Retener clientes valiosos
Identificar prospectos y convertirlos en clientes Administrar costos y mejorar la efectividad de una campaña de adquisición de clientes
PASS , antes SPSS México
Modelos de clasificación
• Los problemas de clasificación puede ser vistos desde dos ópticas:
• En la primera, ya existen las categorías predefinidas para la clasificación. Este tipo de métodos se conocen como métodos supervisados.
• Métodos estadísticos de este tipo son: • Análisis discriminante
• Regresión logística
• Árboles de clasificación
• Etc
PASS , antes SPSS México
Modelos de clasificación
• En la segunda, no se conocen de antemano las categorías de clasificación y los que se busca es establecerlos a partir de dichos análisis.
• Ejemplos de estas técnicas son los análisis de conglomerados. De estas técnicas nos enfocaremos más adelante.
PASS , antes SPSS México
Modelos de clasificación
• En este caso, se pueden usar los métodos de clasificación para determinar la probabilidad de que los clientes: • Respondan a una campaña de marketing.
• Paguen (o no) un crédito.
• Abandonen la escuela.
• Compren un determinado producto.
• Se cambien a la competencia. • Etc.
PASS , antes SPSS México
Métodos de clasificación
• Los resultados obtenidos se pueden presentar de diferentes formas, dependiendo la o las técnicas seleccionadas.
PASS , antes SPSS México
Modelos de clasificación
• Cada uno de estos modelos calcula la probabilidad de pertenecer a cada uno de los grupos. La clasificación y los valores de probabilidad pueden no coincidir al tratarse de métodos diferentes
IDClasificaciónlogística
Probabilidadlogística
Clasificaciónbayesiana
Probabilidadbayesiana
ClasificaciónÁrboles
ProbabilidadÁrboles
10150 F 0.903 F 0.989 F 0.9810236 F 0.998 F 1 F 0.97810360 V 0.818 V 0.87 V 0.84310451 V 0.878 V 0.87 V 0.84310609 F 0.996 F 1 F 0.97810614 F 0.995 F 1 F 0.98910645 V 0.82 V 0.812 V 0.84310717 F 0.782 F 1 F 0.98910872 V 0.832 V 0.924 V 0.84310902 F 0.989 F 1 F 0.98910915 F 0.979 F 0.975 F 0.9810944 V 0.967 V 0.807 V 0.84310987 F 1 F 1 F 0.98911119 F 0.965 F 0.987 F 0.9811220 V 0.93 V 0.783 V 0.84311230 F 0.987 F 1 F 0.98911241 V 0.812 V 0.87 V 0.84311357 F 1 F 0.986 F 0.98911553 F 0.999 F 0.983 F 0.989
PASS , antes SPSS México
Definiendo el CRM Analítico. Administrar todas las interacciones con el cliente
Etapas del ciclo de Vida del Cliente
Adquirir clientes
Incrementar el valor del cliente
Venta Cruzada y personalización Administrar costos y mejorar la efectividad de una campaña de adquisición de clientes
• Creación de modelos para: • Indicar al representante de servicio (Call Center) qué recomendar a qué cliente • Predecir qué clientes podrán ofenderse por la sugerencia de un producto adicional
• En ventas por catálogo / en línea: • Agrupar productos de acuerdo a las relaciones reales (no naturales) que guardan entre sí • Determinar perfiles de clientes para conocer qué productos son de su interés
PASS , antes SPSS México
Modelos de asociación
• Los modelos de asociación relacionan una determinada consecuencia con un conjunto de condiciones, por ejemplo:
PASS , antes SPSS México
Modelos de asociación
• La ventaja de los algoritmos de reglas de asociación sobre los algoritmos más estándar de árboles de decisión (CHAID, C5, CRT) es que las asociaciones pueden existir entre cualquiera de los atributos.
• Un algoritmo de árbol de decisión generará reglas con una única conclusión, mientras que los algoritmos de asociación tratan de buscar muchas reglas, cada una de las cuales puede tener una conclusión diferente.
PASS , antes SPSS México
Gráfico de malla
PASS , antes SPSS México
Ejemplos de reglas de asociación
Consecuente Antecedentes % de soporte % de confianza
Periódicos Chocolates Cigarros 17.78 87.43
Cigarros Chocolates Periódicos 18.10 85.88
Chocolates Periódicos Cigarros 18.42 84.39
Periódicos Chocolates 31.20 58.02 Cigarros Periódicos 32.16 57.28 Periódicos Cigarros 32.27 57.10 Cigarros Chocolates 31.20 57.00 Chocolates Periódicos 32.16 56.29 Chocolates Cigarros 32.27 55.12 Audífonos Pilas 29.39 52.17 Pilas Audífonos 30.46 50.35
PASS , antes SPSS México
Ofertas personalizadas según el modelo de asociación
ID Cliente Oferta 1 Prob. Of 1 Oferta 2 Prob. Of 2 Oferta 3 Prob. Of 310150 Revistas 0.485 Cigarros 0.342 Audífonos 0.32610236 Cigarros 0.859 Crédito celular 0.304 Revistas 0.29810360 Crédito celular 0.497 Audífonos 0.320 Pilas 0.29510451 Audífonos 0.522 Revistas 0.312 Crédito celular 0.30410609 Chocolates 0.338 Periódicos 0.310 Cigarros 0.31010614 Cigarros 0.342 Audífonos 0.326 Crédito celular 0.30410645 Revistas 0.485 Audífonos 0.320 Pilas 0.29710717 Chocolates 0.338 Periódicos 0.310 Cigarros 0.31010872 Crédito celular 0.497 Audífonos 0.320 Pilas 0.29510902 Pilas 0.503 Revistas 0.485 Cigarros 0.33910915 Cigarros 0.573 Chocolates 0.563 Pilas 0.31610944 Crédito celular 0.350 Audífonos 0.320 Pilas 0.316
PASS , antes SPSS México
Definiendo el CRM Analítico. Administrar todas las interacciones con el cliente
Etapas del ciclo de Vida del Cliente
Incrementar el valor del cliente
Retener clientes valiosos
Determinar clientes valiosos/probabilidad de abandono Combinación de modelos basados
en definiciones de negocio
• Combinación de modelos basados en definiciones de negocio
• Determinar el perfil y atributos de los clientes que pueden abandonar a la compañía • Identificar quienes son “buenos” clientes
• Clientes valiosos • Clientes que pueden ser valiosos
• Predecir quienes – de los clientes valiosos – podrán abandonar a la compañía
PASS , antes SPSS México
Modelos de RFM
• Los modelos de RFM permiten asignar una calificación a cada uno de los clientes de acuerdo con su comportamiento de interacción con la empresa.
• Se basa en la Ley de Pareto: “80% de las compras provienen del 20% de los clientes”
• Usa, para generar la calificación RFM sólo tres indicadores: • Recencia: o unidades de tiempo desde la última vez que se
tuvo contacto con el cliente. • Frecuencia: número de veces que el cliente hizo una operación
en la tienda. • Monetario: Monto de las transacciones realizadas
PASS , antes SPSS México
Recencia Frecuencia Monetario
>120 1 a 2 10 a 200
31 a 120 3 a 6 201 a 450
8 a 30 7 a 18 451 a 1,100
4 a 7 19 a 35 1,101 a 3,650
1 a 3 >35 3,651
Recencia Frecuencia Monetario
1 1 1
2 2 2
3 3 3
4 4 4
5 5 5
Modelos de RFM
• La forma en que trabajan los modelos RFM es de la siguiente forma: • Cada uno de los indicadores se divide en cinco grupos
(quintiles). Lo anterior genera un puntuación para la recencia (que va de 1 a 5), otra para la frecuencia y una tercera para lo monetario.
PASS , antes SPSS México
Modelos de RFM
• Lo anterior permite tener una calificación del cliente.
5 5 5
1 a 3 unidades de tiempo sin contacto
Más de 35 operaciones
Monto de sus operaciones por más de $3,651 pesos
R F M
PASS , antes SPSS México
Modelos de RFM
• Lo anterior permite tener una calificación del cliente.
1 1 1
Más de 120 unidades de tiempo sin contacto
Hasta 2 operaciones
Monto de sus operaciones por hasta $200 pesos
R F M
PASS , antes SPSS México
Gráfico de calor para RFM
$ 4,888.10 $ 8,470.90 $ 12,637.00 $ 14,972.00 $ 23,435.00
$ 4,351.50 $ 8,625.60 $ 11,757.00 $ 15,550.00 $ 23,039.00
$ 6,542.20 $ 10,496.00 $ 11,360.00 $ 13,337.00 $ 13,647.00
$ 5,567.60 $ 8,649.20 $ 12,101.00 $ 13,311.00 $ 11,082.00
$ 5,561.10 $ 8,463.30 $ 10,722.00 $ 6,750.80 $ 8,580.30
PASS , antes SPSS México
Análisis de conglomerados
• El análisis de conglomerados es una técnica que trata de cubrir dos objetivos: • Los conglomerados al interior deben ser homogéneos,
esto es, los registros deben ser muy parecidos.
• Al exterior, los conglomerados al exterior deben ser heterogéneos, esto es, deben poder diferenciarse claramente.
PASS , antes SPSS México
Análisis de conglomerados
• Para este caso, para tratar el problema de tener 125 diferentes calificaciones producto del análisis de RFM, se buscaran generar conglomerados para agrupar puntuaciones de RFM similares.
PASS , antes SPSS México
Análisis de conglomerados
• En el análisis de conglomerados se deben explorar diferentes soluciones para identificar cuál es la que mejor responde a la pregunta de negocio
PASS , antes SPSS México
Análisis de conglomerados
• Una vez seleccionada la solución de conglomerados que respondan a nuestras necesidades de análisis, cada uno de los registros será clasificado en el segmento que corresponde.
CUENTA_EJEPuntuación deactualidad
Puntuación defrecuencia
Puntuaciónmonetaria
Puntuaciónde RFM
Conglomerados
10005241064 1 1 1 111 conglomerado-‐110015339841 4 4 5 445 conglomerado-‐210015467659 3 3 1 331 conglomerado-‐210025299209 5 5 1 551 conglomerado-‐410035098617 4 1 1 411 conglomerado-‐110035871542 3 5 5 355 conglomerado-‐410045956556 5 4 5 545 conglomerado-‐410055051728 5 5 5 555 conglomerado-‐410055158549 3 4 5 345 conglomerado-‐210055459699 3 2 2 322 conglomerado-‐310075101222 5 2 2 522 conglomerado-‐310075650160 1 3 2 132 conglomerado-‐210085041954 2 1 1 211 conglomerado-‐110105057741 1 1 1 111 conglomerado-‐110125045189 5 5 5 555 conglomerado-‐410125161697 3 3 5 335 conglomerado-‐210755498724 4 2 5 425 conglomerado-‐315125289042 2 1 2 212 conglomerado-‐115215251571 3 1 1 311 conglomerado-‐115275452333 1 1 1 111 conglomerado-‐1
PASS , antes SPSS México
PASS , antes SPSS México
Finalmente
• Un CRM analítico debe permitir conjuntar toda la información obtenida para ser implementada dentro de los procesos institucionales y poder tener una vista única del cliente
IDClasificaciónlogística
Probabilidadlogística
Clasificaciónbayesiana
Probabilidadbayesiana
ClasificaciónÁrboles
ProbabilidadÁrboles
Oferta 1 Oferta 2Puntuación de actualidad
Puntuación de frecuencia
Puntuación monetaria
Puntuación de RFM
Conglomerados
10150 F 0.903 F 0.989 F 0.98 Producto 1 Producto 3 2 1 4 214 conglomerado-‐110236 F 0.998 F 1 F 0.978 Producto 3 Producto 7 3 1 5 315 conglomerado-‐110360 V 0.818 V 0.87 V 0.843 Producto 7 Producto 8 2 3 4 234 conglomerado-‐210451 V 0.878 V 0.87 V 0.843 Producto 8 Producto 1 1 3 2 132 conglomerado-‐210609 F 0.996 F 1 F 0.978 Producto 2 Producto 10 1 1 3 113 conglomerado-‐110614 F 0.995 F 1 F 0.989 Producto 3 Producto 8 1 1 2 112 conglomerado-‐110645 V 0.82 V 0.812 V 0.843 Producto 1 Producto 8 5 4 4 544 conglomerado-‐410717 F 0.782 F 1 F 0.989 Producto 2 Producto 10 4 2 1 421 conglomerado-‐310872 V 0.832 V 0.924 V 0.843 Producto 7 Producto 8 3 3 5 335 conglomerado-‐410902 F 0.989 F 1 F 0.989 Producto 6 Producto 1 2 1 4 214 conglomerado-‐110915 F 0.979 F 0.975 F 0.98 Producto 3 Producto 2 2 4 3 243 conglomerado-‐410944 V 0.967 V 0.807 V 0.843 Producto 7 Producto 8 3 4 5 345 conglomerado-‐410987 F 1 F 1 F 0.989 Producto 1 Producto 3 4 3 5 435 conglomerado-‐411119 F 0.965 F 0.987 F 0.98 Producto 8 Producto 7 4 2 2 422 conglomerado-‐311220 V 0.93 V 0.783 V 0.843 Producto 8 Producto 1 5 3 4 534 conglomerado-‐211230 F 0.987 F 1 F 0.989 Producto 8 Producto 7 3 2 2 322 conglomerado-‐311241 V 0.812 V 0.87 V 0.843 Producto 8 Producto 6 2 5 5 255 conglomerado-‐411357 F 1 F 0.986 F 0.989 Producto 10 Producto 3 3 1 2 312 conglomerado-‐111553 F 0.999 F 0.983 F 0.989 Producto 8 Producto 1 1 1 4 114 conglomerado-‐1
IDClasificaciónlogística
Probabilidadlogística
Clasificaciónbayesiana
Probabilidadbayesiana
ClasificaciónÁrboles
ProbabilidadÁrboles
Oferta 1 Oferta 2Puntuación de actualidad
Puntuación de frecuencia
Puntuación monetaria
Puntuación de RFM
Conglomerados
10150 F 0.903 F 0.989 F 0.98 Producto 1 Producto 3 2 1 4 214 conglomerado-‐110236 F 0.998 F 1 F 0.978 Producto 3 Producto 7 3 1 5 315 conglomerado-‐110360 V 0.818 V 0.87 V 0.843 Producto 7 Producto 8 2 3 4 234 conglomerado-‐210451 V 0.878 V 0.87 V 0.843 Producto 8 Producto 1 1 3 2 132 conglomerado-‐210609 F 0.996 F 1 F 0.978 Producto 2 Producto 10 1 1 3 113 conglomerado-‐110614 F 0.995 F 1 F 0.989 Producto 3 Producto 8 1 1 2 112 conglomerado-‐110645 V 0.82 V 0.812 V 0.843 Producto 1 Producto 8 5 4 4 544 conglomerado-‐410717 F 0.782 F 1 F 0.989 Producto 2 Producto 10 4 2 1 421 conglomerado-‐310872 V 0.832 V 0.924 V 0.843 Producto 7 Producto 8 3 3 5 335 conglomerado-‐410902 F 0.989 F 1 F 0.989 Producto 6 Producto 1 2 1 4 214 conglomerado-‐110915 F 0.979 F 0.975 F 0.98 Producto 3 Producto 2 2 4 3 243 conglomerado-‐410944 V 0.967 V 0.807 V 0.843 Producto 7 Producto 8 3 4 5 345 conglomerado-‐410987 F 1 F 1 F 0.989 Producto 1 Producto 3 4 3 5 435 conglomerado-‐411119 F 0.965 F 0.987 F 0.98 Producto 8 Producto 7 4 2 2 422 conglomerado-‐311220 V 0.93 V 0.783 V 0.843 Producto 8 Producto 1 5 3 4 534 conglomerado-‐211230 F 0.987 F 1 F 0.989 Producto 8 Producto 7 3 2 2 322 conglomerado-‐311241 V 0.812 V 0.87 V 0.843 Producto 8 Producto 6 2 5 5 255 conglomerado-‐411357 F 1 F 0.986 F 0.989 Producto 10 Producto 3 3 1 2 312 conglomerado-‐111553 F 0.999 F 0.983 F 0.989 Producto 8 Producto 1 1 1 4 114 conglomerado-‐1
IDClasificaciónlogística
Probabilidadlogística
Clasificaciónbayesiana
Probabilidadbayesiana
ClasificaciónÁrboles
ProbabilidadÁrboles
Oferta 1 Oferta 2Puntuación de actualidad
Puntuación de frecuencia
Puntuación monetaria
Puntuación de RFM
Conglomerados
10150 F 0.903 F 0.989 F 0.98 Producto 1 Producto 3 2 1 4 214 conglomerado-‐110236 F 0.998 F 1 F 0.978 Producto 3 Producto 7 3 1 5 315 conglomerado-‐110360 V 0.818 V 0.87 V 0.843 Producto 7 Producto 8 2 3 4 234 conglomerado-‐210451 V 0.878 V 0.87 V 0.843 Producto 8 Producto 1 1 3 2 132 conglomerado-‐210609 F 0.996 F 1 F 0.978 Producto 2 Producto 10 1 1 3 113 conglomerado-‐110614 F 0.995 F 1 F 0.989 Producto 3 Producto 8 1 1 2 112 conglomerado-‐110645 V 0.82 V 0.812 V 0.843 Producto 1 Producto 8 5 4 4 544 conglomerado-‐410717 F 0.782 F 1 F 0.989 Producto 2 Producto 10 4 2 1 421 conglomerado-‐310872 V 0.832 V 0.924 V 0.843 Producto 7 Producto 8 3 3 5 335 conglomerado-‐410902 F 0.989 F 1 F 0.989 Producto 6 Producto 1 2 1 4 214 conglomerado-‐110915 F 0.979 F 0.975 F 0.98 Producto 3 Producto 2 2 4 3 243 conglomerado-‐410944 V 0.967 V 0.807 V 0.843 Producto 7 Producto 8 3 4 5 345 conglomerado-‐410987 F 1 F 1 F 0.989 Producto 1 Producto 3 4 3 5 435 conglomerado-‐411119 F 0.965 F 0.987 F 0.98 Producto 8 Producto 7 4 2 2 422 conglomerado-‐311220 V 0.93 V 0.783 V 0.843 Producto 8 Producto 1 5 3 4 534 conglomerado-‐211230 F 0.987 F 1 F 0.989 Producto 8 Producto 7 3 2 2 322 conglomerado-‐311241 V 0.812 V 0.87 V 0.843 Producto 8 Producto 6 2 5 5 255 conglomerado-‐411357 F 1 F 0.986 F 0.989 Producto 10 Producto 3 3 1 2 312 conglomerado-‐111553 F 0.999 F 0.983 F 0.989 Producto 8 Producto 1 1 1 4 114 conglomerado-‐1
IDClasificaciónlogística
Probabilidadlogística
Clasificaciónbayesiana
Probabilidadbayesiana
ClasificaciónÁrboles
ProbabilidadÁrboles
Oferta 1 Oferta 2Puntuación de actualidad
Puntuación de frecuencia
Puntuación monetaria
Puntuación de RFM
Conglomerados
10150 F 0.903 F 0.989 F 0.98 Producto 1 Producto 3 2 1 4 214 conglomerado-‐110236 F 0.998 F 1 F 0.978 Producto 3 Producto 7 3 1 5 315 conglomerado-‐110360 V 0.818 V 0.87 V 0.843 Producto 7 Producto 8 2 3 4 234 conglomerado-‐210451 V 0.878 V 0.87 V 0.843 Producto 8 Producto 1 1 3 2 132 conglomerado-‐210609 F 0.996 F 1 F 0.978 Producto 2 Producto 10 1 1 3 113 conglomerado-‐110614 F 0.995 F 1 F 0.989 Producto 3 Producto 8 1 1 2 112 conglomerado-‐110645 V 0.82 V 0.812 V 0.843 Producto 1 Producto 8 5 4 4 544 conglomerado-‐410717 F 0.782 F 1 F 0.989 Producto 2 Producto 10 4 2 1 421 conglomerado-‐310872 V 0.832 V 0.924 V 0.843 Producto 7 Producto 8 3 3 5 335 conglomerado-‐410902 F 0.989 F 1 F 0.989 Producto 6 Producto 1 2 1 4 214 conglomerado-‐110915 F 0.979 F 0.975 F 0.98 Producto 3 Producto 2 2 4 3 243 conglomerado-‐410944 V 0.967 V 0.807 V 0.843 Producto 7 Producto 8 3 4 5 345 conglomerado-‐410987 F 1 F 1 F 0.989 Producto 1 Producto 3 4 3 5 435 conglomerado-‐411119 F 0.965 F 0.987 F 0.98 Producto 8 Producto 7 4 2 2 422 conglomerado-‐311220 V 0.93 V 0.783 V 0.843 Producto 8 Producto 1 5 3 4 534 conglomerado-‐211230 F 0.987 F 1 F 0.989 Producto 8 Producto 7 3 2 2 322 conglomerado-‐311241 V 0.812 V 0.87 V 0.843 Producto 8 Producto 6 2 5 5 255 conglomerado-‐411357 F 1 F 0.986 F 0.989 Producto 10 Producto 3 3 1 2 312 conglomerado-‐111553 F 0.999 F 0.983 F 0.989 Producto 8 Producto 1 1 1 4 114 conglomerado-‐1
Modelos de clasificación Asociación Segmentación