modelos de propensión en la era del big data

PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE

Modelos de propensión

Alex Rayón [email protected]

@alrayon

Febrero, 2016. Madrid.

mailto:[email protected]

2

Review here

https://www.safaribooksonline.com/library/view/predictive-analytics-the/9781118416853/

3

Modelos de propensiónIntroducción

Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf

4


Modelos de propensiónIntroducción (II)

5


Modelos de propensiónIntroducción (III)

6

Modelos de propensiónIntroducción (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

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 Fraudeo 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

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 satisfaccióno 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

Modelos de propensión¿Por qué? (II)


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 recienteo 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 pasadoo Y así, podemos extrapolar esta visión a que los sucesos

futuros en un negocio, serán parecidos a los sucesos del pasado reciente

11

Modelos de propensión¿Por qué? (IV)


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

Modelos de propensiónLa Experiencia de Cliente

Fuente: http://www.melmarketing.es/wp-content/uploads/2014/01/Resultado-ecuacio%CC%81n-ECEL.png

14

Modelos de propensiónLa 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

Modelos de propensiónScore de clientes


16

Modelos de propensiónScore 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

17

Modelos de propensiónTécnicas: Variables con capacidad predictiva

18

Modelos de propensiónTécnicas: 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

Modelos de propensiónTécnicas: 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

Modelos de propensiónTécnicas: Árboles de decisión (III)

●Ventajaso Su principal virtud es que son entendibles y explicableso 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 outlierso Muy fáciles de implementar, mantener y revisaro Se debe controlar el sobre ajuste del modelo evaluando

el modelo con una muestra de test para asegurar la precisión

21

Modelos de propensiónTécnicas: 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

Modelos de propensiónTécnicas: Redes neuronales (II)

●Ventajaso 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

Modelos de propensiónTécnicas: 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

Modelos de propensiónTécnicas: Modelos de regresión logística (II)

●Ventajaso 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 sobreajusteso En caso de tener que hacer múltiples modelos resultan la

mejor opción

25

Modelos de propensiónEstrategia

●Localizar público objetivo ●A ese público, aplicarles alguna acción:

o Descuentos a los más propensos a irseo 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 fugao Tasa de éxito en prevención de fuga

26

Modelos de propensiónCasos: 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

Modelos de propensiónCasos: 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

Modelos de propensiónCasos: 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

Modelos de propensiónBusiness case: Sector asegurador

● Objetivoso 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

Modelos de propensiónBusiness 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

Modelos de propensiónBusiness case: Sector asegurador (III)

● Fases del proyectoo 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.

Copyright (c) 2016 University of DeustoThis 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 JerezFebrero 2016

PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE

Modelos de propensión

Alex Rayón [email protected]

@alrayon

Febrero, 2016. Madrid.

mailto:[email protected]

modelos de propensión en la era del big data

Education