Modelos de propensión en la era del Big Data
Descargar como PPTX, PDF•7 recomendaciones•8,492 vistas
Este documento describe los modelos de propensión y su uso en el análisis de datos. Explica que los modelos de propensión estiman la probabilidad de que un cliente realice una acción como comprar un producto, abandonar el servicio o incurrir en impago. Luego discute algunas técnicas como árboles de decisión, redes neuronales y regresión logística que se pueden usar para crear estos modelos predictivos. Finalmente, presenta algunos casos de aplicación como la detección de fuga de clientes y la sensibilidad al precio
Modelos de propensión en la era del Big Data
- 1. PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE Modelos de propensión Alex Rayón Jerez [email protected] @alrayon Febrero, 2016. Madrid.
- 3. 3 Modelos de propensión Introducción Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
- 4. 4 Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf Modelos de propensión Introducción (II)
- 5. 5 Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf Modelos de propensión Introducción (III)
- 6. 6 Modelos de propensión Introducción (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. 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 Fraude o 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. 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 satisfacción o 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. 9 Modelos de propensión ¿Por qué? (II) Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
- 10. 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 reciente o 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 pasado o Y así, podemos extrapolar esta visión a que los sucesos futuros en un negocio, serán parecidos a los sucesos del pasado reciente
- 11. 11 Modelos de propensión ¿Por qué? (IV) Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
- 12. 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. 13 Modelos de propensión La Experiencia de Cliente Fuente: http://www.melmarketing.es/wp-content/uploads/2014/01/Resultado-ecuacio%CC%81n-ECEL.png
- 14. 14 Modelos de propensión La 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. 15 Modelos de propensión Score de clientes Fuente: http://www.sas.com/offices/latinamerica/argentina/resources/asset/CI_Banca2012.pdf
- 16. 16 Modelos de propensión Score 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. 17 Modelos de propensión Técnicas: Variables con capacidad predictiva
- 18. 18 Modelos de propensión Técnicas: 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. 19 Modelos de propensión Técnicas: 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. 20 Modelos de propensión Técnicas: Árboles de decisión (III) ●Ventajas o Su principal virtud es que son entendibles y explicables o 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 outliers o Muy fáciles de implementar, mantener y revisar o Se debe controlar el sobre ajuste del modelo evaluando el modelo con una muestra de test para asegurar la precisión
- 21. 21 Modelos de propensión Técnicas: 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. 22 Modelos de propensión Técnicas: Redes neuronales (II) ●Ventajas o 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. 23 Modelos de propensión Técnicas: 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. 24 Modelos de propensión Técnicas: Modelos de regresión logística (II) ●Ventajas o 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 sobreajustes o En caso de tener que hacer múltiples modelos resultan la mejor opción
- 25. 25 Modelos de propensión Estrategia ●Localizar público objetivo ●A ese público, aplicarles alguna acción: o Descuentos a los más propensos a irse o 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 fuga o Tasa de éxito en prevención de fuga
- 26. 26 Modelos de propensión Casos: 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. 27 Modelos de propensión Casos: 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. 28 Modelos de propensión Casos: 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. 29 Modelos de propensión Business case: Sector asegurador ● Objetivos o 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. 30 Modelos de propensión Business 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. 31 Modelos de propensión Business case: Sector asegurador (III) ● Fases del proyecto o 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.
- 32. Copyright (c) 2016 University of Deusto This 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 Jerez Febrero 2016
- 33. PROGRAMA DE BIG DATA Y BUSINESS INTELLIGENCE Modelos de propensión Alex Rayón Jerez [email protected] @alrayon Febrero, 2016. Madrid.