modelos de propensión en la era del big data
TRANSCRIPT
PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE
Modelos de propensión
Alex Rayón [email protected]
@alrayon
Febrero, 2016. Madrid.
2
Review here
3
Modelos de propensiónIntroducción
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
4
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
Modelos de propensiónIntroducción (II)
5
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
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)
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
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)
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
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
Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
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.