• Share
  • Email
  • Embed
  • Like
  • Private Content

Loading…

Flash Player 9 (or above) is needed to view presentations.
We have detected that you do not have it on your computer. To install it, go here.

Like this presentation? Why not share!

Institucional PTF 2013

on

  • 268 views

 

Statistics

Views

Total Views
268
Views on SlideShare
257
Embed Views
11

Actions

Likes
0
Downloads
3
Comments
0

1 Embed 11

http://ptf.com.py 11

Accessibility

Categories

Upload Details

Uploaded via as Microsoft PowerPoint

Usage Rights

© All Rights Reserved

Report content

Flagged as inappropriate Flag as inappropriate
Flag as inappropriate

Select your reason for flagging this presentation as inappropriate.

Cancel
  • Full Name Full Name Comment goes here.
    Are you sure you want to
    Your message goes here
    Processing…
Post Comment
Edit your comment

    Institucional PTF 2013 Institucional PTF 2013 Presentation Transcript

    • …¿QUÉ DECIDO ENTONCES?....
    • …¿DÓNDE ESTÁ EL NEGOCIO? Obtener la riqueza (transformar datos en información) de la Base de Datos sobre las transacciones de los clientes/usuarios de la empresa/organización/institución para aumentar el ROI al optimizar la relación con los mismos y promover y vender productos/servicios personalizados a las necesidades y deseos de cada uno; por ende incrementamos las ventas al maximizar la fidelización!
    •  Nombre: Alexis Bagurskas  Educación:  Licenciado en Gerencia y Administración de Empresas – Universidad ORT del Uruguay  Licenciado en Comercio Internacional - UCUDAL  MBA – Database Marketing  Master in Information Systems – Data Mining  Katz Graduate School of Business, University of Pittsburgh, PA.  Experiencia Laboral:  Banca, Logística, Telecomunicaciones y Sistemas para instituciones financieras.  Director fundador de DataLab Consulting y Hexalab.
    • Modulo1 Mini Quiz Nuevas tendencias? Maximización de Base de Datos con Ejemplo del Salón del Vino Módulo2 Descriptivas Bases de Datos y Sistemas de Información Estrategia y Planeamiento de Comunicación Avanzada Qué es Data Mining? Módulo3 Data Mining: Técnicas, prácticas comunes, ejemplos distintos sectores Minería de datos para Mktg 1 to 1 (sugerencias) Módulo4 Segmentación Basada en el Comportamiento Transaccional (histórico) Ejemplos distintos sectores Módulo5 Modelos Predictivos. Ejemplos: Propensión de Abandono y Credit Scoring Módulo6 Ejemplo Aplicación Tecnológica para Targeting, Monitoreo de Indicadores (KPIs) y Automatización de modelos de Data Mining Conclusiones y Mini Quiz PROGRAMA TENTATIVO:
    • Modulo1 Mini Quiz Nuevas tendencias? Maximización de Base de Datos con Ejemplo del Salón del Vino
    • QUE INFORMACIÓN CONOCEMOS DE LOS PARTICIPANTES DE ESTA CLASE? file
    • Módulo2 Descriptivas Bases de Datos y Sistemas de Información Estrategia y Planeamiento de Comunicación Avanzada Qué es Data Mining?
    • INTRODUCCIÓN A BASES DE DATOS
    • SE CREA UN REGISTRO EN LA BASE DE DATOS! En cada operación (sucursal, web, etc.)… En cada solicitud de crédito, compra de queso..… En cada consulta… En cada utilización de Tarjeta de Crédito… En cada transacción de cajero automático… LOS ‘DATOS’ ESTÁN DETRÁS DE CADA MOVIMIENTO: NO ES POSIBLE OBTENER INFORMACIÓN DE LOS DATOS CRUDOS SIN APLICAR ANÁLISIS DE MINERÍA DE DATOS
    • BASES DE DATOS > Evolución de los sistemas ha sido gradual: Diferentes áreas de negocio han ido implementando sus propios sistemas. Notas: 1. Cada aplicación tiene sus propios datos en sus propios archivos. 2. Duplicación – varios sistemas mantienen mismos datos. 3. Incompatibilidad – sistemas no pueden compartir.  QUÉ ES UNA BASE DE DATOS?
    • MILESTONE: INDEPENDENCIA DE DATOS > Mismos datos son utilizados por múltiples aplicaciones > Son necesarias las herramientas para organizar, administrar y asegurar: 1. Datos centralizados 2. Administrar los datos efectivamente 3. Proveer acceso controlado a los datos compartidos
    • BASE DE DATOS La Base de Datos es ahora el “sistema de información central” en todo proceso. Una base de datos es una colección de datos: orientada a un dominio integrada no volátil variante en el tiempo para ayudar en la toma de decisiones [Immon 1992]
    • Actualmente, La tecnología OLAP generalmente se asocia a los almacenes de datos, aunque: Podemos tener Almacenes de Datos sin OLAP y viceversa. Las Bases de Datos y las técnicas OLAP son las maneras más efectivas y tecnológicamente más avanzadas para integrar, transformar y combinar los datos para facilitar al usuario o a otros sistemas el análisis de la información. BASE DE DATOS
    • SQL Server DB2 ORACLE Informix Otras JDBC Ventas, Contabilidad, CRM, Call Center, etc. SQL Server DB2/NT DB2/400 DB2/390 ORACLE Informix Sybase Otras Capa de Negocios Capa de acceso a datos INDEPENDENCIA MOTOR DE BASE DE DATOS Datos
    • REQUERIMIENTOS DE BASE DE DATOS: > “Calidad” del modelo de datos > “DATOS LIMPIOS” (criterios únicos, etc.) > Seguir las reglas básicas de construcción: i. Todos los atributos, relaciones e identificadores deben estar claramente definidos. ii. Nombres de las variables deben tener sentido y ser significantes. iii. Completa, precisa, consistente, transportable, compartida y en tiempo. iv. Todas las filas deben tener la misma cantidad de columnas y estar completas.
    • REQUERIMIENTOS DE BASE DE DATOS: > Problemas con Sistemas de Administración de Datos: i. Redundancia ii. Falta de control de datos iii. Interfase pobre iv. Demoras en obtención de datos v. Sin rutina y frecuencia definida para actualización vi. Falta de integración (diferentes BD, diferentes formatos, etc.) vii. Falta de realidad
    • RECOLECCION DE DATOS • Aparte de información interna de la organización, los almacenes de datos pueden recoger información externa: • Demografías (censo), páginas amarillas, uso de Internet, redes sociales, información de otras organizaciones, etc. • Datos compartidos en una industria o área de negocio, organizaciones y colegios profesionales, catálogos, etc. • Datos resumidos de áreas geográficas, distribución de la competencia, evolución de la economía, información de calendarios y climatológicas, programaciones televisivas- deportivas,.. • Bases de datos externas compradas a otras compañías.
    • ADMINISTRACION DE DATOS: > Administración de datos es una disciplina en constante evolución. > Los Responsables de la Administración de datos tienen doble resposabilidad: 1. Administrar los datos para estar al día en los negocios. 2. Administrar los datos para estar en los negocios mañana. > Los Responsables de la Administración necesitan ahora apoyar con tecnologías de inteligencia a la organización.
    • VENTAJAS DE UTILIZAR UN SISTEMA DE ADMINISTRACIÓN DE BASE DE DATOS > Complejidad de la arquitectura de sistemas es reducida mediante la centralización de la administración de datos, su acceso, utilización, y seguridad. > Redundancia es reducida o eliminada al poseer copias múltiples de los mismos datos. > Calidad e integridad de los datos puede ser mejorada y provista a todas las aplicaciones.
    • ARQUITECTURA DE BASES DE DATOS > Cliente-Servidor: Clientes: • Usan SQL para preguntar a la base de datos: - obtener, modificar, etc. Network Servidor Base de datos: • Almacena todos los datos • Atiende requerimientos SQL Entrada de orden Contabilidad Producción
    • Bases de Datos en la Nube – Beneficios: > Inversión inicial en infraestructura casi nula > Infraestructura justo a tiempo > Utilización de recursos más eficiente > Costes según el uso > Reducción del tiempo de comercialización > Automatización > Auto scaling > Ciclo de vida del desarrollo más eficiente > Funciones de prueba mejoradas > Recuperación de desastres y continuidad empresarial
    • ENTIDADES Y TABLAS
    • PASOS PARA CONSTRUIR UNA BASE DE DATOS > Diseño preparatorio – pensar sobre: ¿Qué tablas necesitaré para almacenar datos? • Entidades de negocios primarias ¿Qué queries o vistas de datos necesitaré? • Diferentes perspectivas de las entidades primarias ¿Qué reportes serán requeridos por Dirección, Gerentes, Ejecutivos de Cuenta, etc.? ¿Qué interfases son necesarias para mantener los datos? > Documentar éstas ideas!!!!
    • > Crear las piezas: Tablas (primero) Queries Formularios Reportes > IMPORTANTE: No es usualmente muy difícil cambiar estructura, si estamos temprano en el proceso de crear una Base de Datos PASOS PARA CONSTRUIR UNA BASE DE DATOS
    • MODELADO DE DATOS > Existen técnicas para identificar y documentar la estructura lógica de datos > Tema independiente del sistema de administración de Base de Datos que la empresa posea > Basado en principios de bases de datos relacionales > Notación genérica
    • TERMINOLOGÍA > Campo – un dato o atributo como ser nombre o fecha de nacimiento > Registro – describe una instancia de una entidad como una persona o una orden > Clave – un campo que identifica un registro de manera única > Archivo – grupo de registros
    • MODELADO DE DATOS: ENTIDADES Y ATRIBUTOS > Entidad: rectángulo Nombrada con un sustantivo singular > Atributos: listados o variables en la entidad Características > Identificador: un atributo etiquetado con * Unica etiqueta
    • Diagramas de Relacionamiento entre entidades > Gráficamente ilustra las entidades (tablas) en la base de datos y el relacionamiento entre ellas: Empleado Dependientes Seguro Es responsable por Es cubierto para
    • > La relación entre EMPLEADO a DEPENDIENTE es caracterizada por dos símbolos: la “pata de gallina" al final de la línea que va desde EMPLEADO a DEPENDIENTE indica que un empleado puede tener mas de un dependiente. El círculo indica que es opcional, por ejemplo: un empleado puede no tener dependientes. Empleado Dependiente Seguro Es responsable por Es cubierto para Diagramas de Relacionamiento entre entidades
    • > La relación de DEPENDIENTE a EMPLEADO es caracterizada por dos símobolos: La línea vertical bajo EMPLEADO que conecta con DEPENDIENTE indica que un dependiente es la responsabilidad de sólo 1 empleado. La pequeña línea tipo guión debajo de EMPLEADO indica que un dependiente DEBE tener un empleado responsable por él/ella – por ejemplo: No habrá ni uno en la tabla DEPENDIENTE que no sea un dependiente de un empleado. Empleado Dependientes Seguro Es responsable por Es cubierto para Diagramas de Relacionamiento entre entidades
    • > La relación entre EMPLEADO a SEGURO está caracterizada por dos símbolos: La línea vertical sobre SEGURO se conecta con EMPLEADO indica que un empleado puede seleccionar sólo un único plan de seguro. La línea horizontal en SEGURO indica que un empleado debe seleccionar un plan de seguro. Empleado Dependientes Seguro Es responsable por Es cubierto para Diagramas de Relacionamiento entre entidades
    • > La relación de SEGURO a EMPLEADO está caracterizada por dos símbolos: La pata de gallina bajo EMPLEADO que conecta con SEGURO indica que un plan de seguro puede ser seleccionado por mas de un empleados. El círculo debajo de éste indica que podría haber un plan de seguro el cuál no está seleccionado por ningún empleado. Empleado Dependientes Seguro Es responsable por Es cubierto para Diagramas de Relacionamiento entre entidades
    • SQL - Structured Query Language: > Select – obtener datos > Insert – agregar datos > Update – alterar o modificar datos > Delete – borrar o eliminar datos
    • FASES: SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS LIMPIEZA (DATA CLEANSING) Y SELECCIÓN DE DATOS: Se deben eliminar el mayor número posible de datos erróneos o inconsistentes e irrelevantes. Métodos estadísticos casi exclusivamente. • histogramas (detección de datos anómalos) • selección de datos (muestreo, ya sea verticalmente, eliminando atributos, u horizontalmente, eliminando registros). • redefinición de atributos (agrupación o separación).
    • Acciones ante datos anómalos (outliers): • ignorar: algunos algoritmos son robustos a datos anómalos (p.ej.: Árboles de decisión) • filtrar (eliminar o reemplazar) la columna: solución extrema, pero a veces existe otra columna dependiente con datos de mejor calidad. • filtrar la fila: puede sesgar los datos, porque muchas veces las causas de un dato erróneo están relacionadas con casos o tipos especiales. FASES: SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS
    • CONT……FASES: SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS • reemplazar el valor: por el valor ‘nulo’ si el algoritmo lo trata bien o por máximos o mínimos, dependiendo por donde es el outlier, o por medias. • discretizar: transformar un valor continuo en uno discreto (p.ej. muy alto, alto, medio, bajo, muy bajo) hace que los outliers caigan en ‘muy alto’ o ‘muy bajo’ sin mayores problemas.
    • FASES: SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS Acciones ante datos faltantes (missing values): • ignorar: algunos algoritmos son robustos a datos faltantes. • filtrar (eliminar o reemplazar) la columna: solución extrema, pero a veces existe otra columna dependiente con datos de mejor calidad. Preferible a eliminar la columna es reemplazarla por una columna diciendo si el valor existía o no. • filtrar la fila: claramente sesga los datos, porque muchas veces las causas de un dato faltante están relacionadas con casos o tipos especiales.
    • CONT……FASES: SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS • reemplazar el valor: por medias. A veces se puede predecir a partir de otros datos. • modificar la política de calidad de datos y esperar hasta que los datos faltantes estén disponibles.
    • FASES: SELECCIÓN, LIMPIEZA Y TRANSFORMACIÓN DE DATOS Razones sobre datos faltantes (missing values): A veces es importante examinar las razones tras datos faltantes y actuar en consecuencia: • algunos valores faltantes expresan características relevantes: p.ej. la falta de teléfono puede representar en muchos casos un deseo de que no se moleste a la persona en cuestión, o un cambio de domicilio reciente. • valores no existentes: muchos valores faltantes existen en la realidad, pero otros no. Por ej.: el cliente que se acaba de dar de alta no tiene consumo medio de los últimos 12 meses.
    • SISTEMAS DE INFORMACIÓN: La información reduce nuestra incertidumbre (sobre algún aspecto de la realidad) y, por tanto, nos permite tomar mejores decisiones
    • Inicialmente la finalidad de los sistemas de información era recopilar información para ayudar limitadamente en la toma de decisiones: recuentos de cereales censos civiles y militares romanos o chinos, Actualmente, con la informatización de las organizaciones y la aparición de aplicaciones software operacionales sobre el sistema de información, la finalidad principal de los sistemas de información es dar soporte a los procesos básicos de la organización (ventas, producción, personal...). FINALIDAD DE LOS SISTEMAS DE INFORMACIÓN:
    • CONT…..: Una vez satisfecha la necesidad de tener un soporte informático para los procesos básicos de la organización (sistemas de información para la gestión). Las organizaciones exigen nuevas prestaciones de los sistemas de información (sistemas de información para la toma de decisiones).
    • EVOLUCIÓN: 60’s: Informes batch: la información es difícil de encontrar y analizar, poco flexible, se necesita reprogramar cada solicitud. 70’s: Primeros DSS (Decision Support Systems) y EIS (Executive Information Systems): No integrados con el resto de herramientas. 80’s: Acceso a datos y herramientas de análisis integradas (conocidas como BI tools (Business Intelligence Tools; en español: Herramienta de Inteligencia de Negocios): Herramientas de consultas e informes, hojas de cálculo, interfaces gráficos e integrados, fáciles de usar. Acceden a las bases de datos operacionales. 90’s: Almacenes de Datos y herramientas OLAP. 00’s: Herramientas de Minería de Datos y Simulación.
    • HERRAMIENTAS PARA LA TOMA DE DECISIONES: ¿Cuál es la diferencia entre EIS y OLAP? ¿Cuál es la diferencia entre “informes avanzados” y OLAP? ¿Cuál es la diferencia entre OLAP y Minería de Datos? ¿Qué interrelaciones existen entre todas estas herramientas? Han aparecido diferentes herramientas de Negocio o de Soporte en la Decisión (DSS) que coexisten: EIS, OLAP, consultas e informes, minería de datos, ...
    • HERRAMIENTAS PARA LA TOMA DE DECISIONES: Un EIS (Executive Information System) es un sistema de información y un conjunto de herramientas asociadas: Proporciona a los directivos de la organización acceso a la información de estado y sus actividades de gestión. Está especializado en analizar el estado diario de la organización (mediante indicadores clave) para informar rápidamente sobre cambios a los directivos. La información solicitada suele ser, en gran medida, numérica (ventas semanales, nivel de stocks, balances parciales, etc.) y representada de forma gráfica al estilo de las hojas de cálculo. Las herramientas OLAP (On-Line Analyitical Processing) son más genéricas: Funcionan sobre un sistema de información (transaccional o almacén de datos) Permiten realizar agregaciones y combinaciones de los datos de maneras mucho más complejas y ambiciosas, con objetivos de análisis más estratégicos. ¿CUÁL ES LA DIFERENCIA ENTRE EIS Y OLAP? VER EJEMPLO CUBOS
    • Las herramientas OLAP proporcionan facilidades para “manejar” y “transformar” los datos. producen otros “datos” (más agregados, combinados). ayudan a analizar los datos porque producen diferentes vistas de los mismos. Las herramientas de Minería de Datos: son muy variadas: permiten “extraer” patrones, modelos, descubrir relaciones ocultas, regularidades, tendencias, etc. producen “reglas” o “patrones” (“conocimiento”). ¿CUÁL ES LA DIFERENCIA ENTRE OLAP Y MINERÍA DE DATOS? HERRAMIENTAS PARA LA TOMA DE DECISIONES:
    • ¿QUÉ INTERRELACIONES EXISTEN ENTRE TODAS ESTAS HERRAMIENTAS? Base de Datos Transaccional Fuentes Internas Fuentes Externas Fuente de Datos Fuente de Datos 3 HTML Fuente de Datos 1 texto Almacén de Datos ETL Interfaz y Operadores Herramientas de consultas e informes Herramientas EIS Herramientas OLAP Herramientas de Minería de Datos HERRAMIENTAS PARA LA TOMA DE DECISIONES:
    • Tipos de Sistemas de información Propósito del sistema Transaction processing system TPS Recolecta y almacena datos de transacciones de rutina. Management information system MIS Convierte datos de un TPS en información para planeamiento, control, y dirección de una organización. Decision support system DSS Apoya a las decisiones de Gerencia al proveer modelos de procesamiento y análisis de datos. Executive information system EIS Provee a los Directores y Gerencias de información necesaria para monitorear la performance de la organización y desarrolla e implementa estrategias. On-line analytical processing (OLAP) Presenta de manera multidimensional, la vista lógica de datos al analista con no requisitos de saber cómo los datos son almacenados. Data mining Utiliza análisis estadísticos y técnicas de inteligencia artificial para identificar relaciones ocultas en los datos. TIPOS DE SISTEMAS DE INFORMACIÓN:
    • PIRÁMIDE DE INFORMACIÓN: DataWarehouse Cierres y Análisis de Consistencia (DataCleansing) Reportes Específicos Análisis Multidimensional Base de Datos Institucional Fuentes Externas Otras Fuentes (Excel, etc.) BI, Scorecard Data Mining
    • > Su organización aprende de la experiencia recolectada. > La mayoría de las empresas son muy ricas en datos pero muy pobres en información. > Debemos convertir a las mismas en ricas en información! > DataWarehouse es la memoria de la institución. > Data Mining su inteligencia. DATOS # INFORMACION:
    • Cuál es la ruta (estrategia) para convertir una organización que basa sus decisiones en datos (no conocimiento), intuición, política y otros factores a una organización que basa sus decisiones en conocimiento e información? Y cómo hacerlo de manera exitosa? ROAD MAP:
    • CLAVES PARA IMPLEMENTACION DE ESTRATEGIA: • Ejemplos: • Mantener liderazgo • Aumentar las ventas y/o • Crecer en cartera de Clientes, cuentas, otros……. • Aumentar el Retorno sobre la Inversión (ROI) Premisas: • Liderazgo ejecutivo • Transmitir eficientemente la Estrategia: mapa • Alinear la organización: Unidades de Negocio, Soporte y Dirección • Motivar a empleados: entrenamiento, educación, otros • Integrar la estrategia al planeamiento y presupuesto Definición de Estrategia: • Actividades de distintas Unidades de Negocio, Soporte, DirecciónEjemplo: nuevo canal de ventas. Ventajas? • Imperativo: nivel corporativo con “Rol Activo” en identificar y coordinar oportunidades Sinergía y Alineación:
    • PREMISAS
    • VENTAS COSTOS
    • Cómo?: Aumentando ingresos y/o reduciendo gastos.  Ajustando servicios y/o productos,  Monitoreando clientes riesgosos,  Elaborando mensajes al cliente,  Creando y lanzando “campañas” a segmentos/targets,  Identificando y reteniendo a los clientes más rentables,  Identificando y atrayendo nuevos clientes,  Liberando a los clientes no rentables,  Evadiendo potenciales clientes de alto riesgo,  Atrayendo nuevamente a clientes perdidos,  Anticipándose con ofrecimiento de nuevos servicios/productos. AUMENTAR EL ROI:
    • Aumentar el ROI, satisfaciendo al cliente:
    • RECORDANDO QUE EL MARKETING YA NO ES LO QUE ERA… > Vendíamos a segmentos socio- demográficos > Campañas masivas > Productos “genéricos” > Comunicación masiva > Precios: por producto > Indicador: market share > Costos: según plan de cuentas > Rentabilidad por producto > Objetivo: vender productos > Manejamos relaciones individuales > Contactos individualizados > Propuestas individualizadas > Canales individualizados > Precios: por cliente > Indicador clave: LTV lifetime value > Costos: costeo por cliente > Rentabilidad individual > Objetivo: realizar el valor potencial de cada relación Herramientas de análisis habituales: • Investigación • Planificación de medios • Análisis de segmentación tradicional • Mediciones de impacto • Otros Herramientas de análisis habituales: • Predicción • Clasificación • Segmentación en base al comportamiento • Cross Selling • Propensión de abandono Herramientas de análisis agregado Herramientas de análisis individual
    • Y QUE LAS RELACIONES PUEDEN SER MANEJADAS….. Las relaciones ocurren independientemente de que hagamos algo al respecto. Sin embargo, podemos aumentar nuestros resultados al manejarlas activamente Reducción de costos de adquisición Rentabilización por profundización e individualización de precios. Predicción de abandono y retención Abandono normalmente indetectado Rentabilidad por menores costos de transacción Tiempo Ingresos Ciclo de vida “espontáneo” del cliente” Ciclo de vida manejado por la empresa
    • Las Tres Dimensiones de la Relación Sobre estas tres dimensiones es posible trabajar a nivel individual Duración (en el tiempo) Profundidad (cantidad de cada prod.) Alcance (cantidad de productos) Existe una relación positiva entre estas tres dimensiones Retención Venta Cruzada Venta en Profundidad
    • ESTRATEGIA
    • Cómo definimos la “estrategia”? Qué lineamiento deberíamos seguir? Se definen sobre la base de: 1. Aumentar el ROI 2. Crear mayor valor a la Empresa Cómo?: Conociendo al Cliente Con qué herramienta?: Marco de trabajo de 4 perspectivas
    • 4 Perspectivas para Crear Valor a la Empresa: Crear Valor a la empresa Financiera Procesos Internos Aprendizaje y Crecimiento Cliente
    • •Cuáles son las expectativas de la Performance Financiera? •Cómo incrementamos el valor de nuestras unidades de negocio? Financiera •Para alcanzar los objetivos financieros, cómo creamos valor a nuestros clientes? •Cómo incrementamos el valor total de nuestros clientes? Cliente •Qué procesos debemos implementar para satisfacer nuestros clientes? •Cómo podemos lograr economías de escala? Procesos Internos •Cómo alineamos nuestros activos intangibles (empleados, sistemas, cultura) para mejorar nuestros procesos críticos? •Y cómo los desarrollamos y compartimos? Aprendizaje y Crecimiento 4 Perspectivas para Crear Valor a la empresa:
    • LA SEQUENCIA DEL TRANSMISION DE ESTRATEGIA: 1. Generación de la Estrategia de la empresa Directorio 2 Mapa estratégico de la empresa Mapa estratégico de la empresa 3 Mapa estratégico de la empresa Mapa estratégico Funcional Actualización de Estrategia Funcional HR FINANZAS IT 4 Mapa estratégico de las UN Mapa estratégico de la empresa Actualización de la Estrategia de las Unidades de Negocio Clientes 6 5 Mapa estratégico de las UN Servicios de Unidades de Soporte Actualización Unidades de Soporte HR FINANZAS IT 7 Proveedores Alianzas Unidades de Soporte 8 Mapa funcional de las UN Mapa estratégico Funcional Unidades de Soporte Corporativo
    • SINERGIA Y ALINEACION
    • ALINEACION Y SINCRONIZACION:
    • CÓMO MAXIMIZAR EL RELACIONAMIENTO CON EL CLIENTE Y AUMENTAR EL VALOR TOTAL DEL MISMO? EJEMPLO: 1. Estrategia de única fuerza de venta 2. Educar y enterar a los clientes un amplio rango de productos/servicios y asesoría para cubrir sus necesidades 3. Creó una red de especialistas para instruir a la fuerza de ventas para atender a clientes y realizar venta cruzada sobre el amplio portfolio de productos/servicios 4. El cliente ahora conoce al equipo de venta y las distintas oportunidades para lograr una solución completa en un solo lugar
    • Cómo Profundizamos en el Conocimiento de Cada Cliente? Con Minería de Datos
    • PROBLEMAS QUE ENFRENTAN LAS EMPRESAS: Sólo el 40% de los clientes son rentables. El 10% más rentable, genera el 230% de las utilidades, pero no los conocemos. Los clientes no rentables en su conjunto destruyen el 65% del resultado. En un alto porcentaje de los casos, los clientes abandonan la institución sin haber compensado sus costos de captación. Los precios de los productos son fijados independientemente del costo de los clientes y su riesgo. Las acciones de marketing son de difícil medición en sus resultados. La inmensa mayor parte de las relaciones existentes están sub-explotadas. FUENTE: American Bankers Association
    • COMPORTAMIENTO Transacciones Historia transaccional y tendencias de utilización de los servicios Participación en promociones MI CLIENTE DESCRIPTIVOS Características Socio y geo demográficos ACTITUDINALES Opiniones Preferencias Necesidades Deseos
    • 1 a 1 1. Aumentando ventas o 2. Reduciendo costos Diseñando propuestas específicas a sus clientes y lanzando campañas de Ventas Cruzadas efectivas. • Identificar al cliente • Administrar sus cuentas • Entender y conocer su frecuencia, recencia y valor vitalicio
    • 1 TO 1 VENTA CRUZADA
    • 1 TO 1 VENTA CRUZADA Herramienta Tecnológica
    • ¿QUÉ ES MINERIA DE DATOS? • Es la exploración y análisis de grandes cantidades de datos con el objetivo de descubrir patrones significativos de comportamiento de clientes que están ocultos. • Cada interacción con el cliente es una oportunidad de aprendizaje. Lo importante es que sea registrado y contar con las herramientas para analizarlo. Data Warehouse es la memoria de la institución. Data Mining, su inteligencia.
    • QUÉ ES MINERIA DE DATOS?: Término reciente para la confluencia de ideas desde estadísticas y ciencias de la computación (métodos de bases de datos y aprendizaje propio de las computadoras) aplicadas a grandes bases de datos en ciencias, ingeniería y negocios. * * First International workshop on Knowledge Discovery and Data Mining was in 1995
    • QUÉ ES MINERIA DE DATOS?: La Minería de Datos es un conjunto de técnicas de análisis de datos que permiten: Extraer patrones, tendencias y regularidades para describir y comprender mejor los datos. Extraer patrones y tendencias para predecir comportamientos futuros. Debido al gran volumen de datos este análisis ya no puede ser manual (ni incluso facilitado por herramientas de almacenes de datos y OLAP) sino que ha de ser semi-automático.
    • QUÉ ES MINERIA DE DATOS?: Gartner Group: “Data mining es el proceso de descubrir nuevas correlaciones significantes, patrones y tendencias escrutinando a través de grandes cantidades de datos almacenados en repositorios, utilizando tecnologías de reconocimiento de patrones como también técnicas de estadísticas y matemáticas.”
    • QUÉ ES MINERIA DE DATOS?: Mi favorita: “Statistics at scale and speed” Darryl Pregibon “Estadísticas a escala y velocidad”
    • EJEMPLO DE MINERÍA DE DATOS…
    • EJEMPLO BÁSICO UTILIZANDO MINERÍA DE DATOS: > Datos: 20 marcas/tipos de cerveza. > Variables objetivas y subjetivas. > Objetivo: las variables objetivas sirven para realizar una segmentación? > Interesante conocer si los segmentos son apoyados por las variables subjetivas.
    • > Paso 1: ver los datos. > Paso 2: selecciono las variables objetivas y corro estadística descriptiva. > Paso 3: analizo los datos y las diferencias entre ellos. > Paso 4: específico al caso, dadas las diferencias se deberá standarizar los datos. EJEMPLO BÁSICO UTILIZANDO MINERÍA DE DATOS:
    • > Paso 5: Preparar para correr el modelo jerárquico. > Paso 6: Selecciono las variables > Paso 7: Por defecto seleccionar Estadística y Plots/Gráfica > Paso 8: En “Método”, seleccionar estandarizar Z scores porque ……. EJEMPLO BÁSICO UTILIZANDO MINERÍA DE DATOS:
    • Módulo3 Data Mining: Minería de datos para Mktg 1 to 1 (sugerencias) Técnicas, prácticas comunes, ejemplos distintos sectores
    • LA TENDENCIA MUNDIAL… FUENTE: Aberdeen Group: mas de 200 organizaciones entrevistadas para determinar la proyección de Customer Analytics.
    • LA TENDENCIA MUNDIAL…
    • LA TENDENCIA MUNDIAL…
    • LA TENDENCIA MUNDIAL…
    • Cómo será el Marketing en próximos años? Estrategia de Marketing Branding Comunicación Comercial Publicidad RRPP Referenciación Manejo de Relaciones Data Mining Business Rules Medios Especializados
    • MKTG 1 to 1 Motor de sugerencias con Data Mining
    • ES LA IDENTIFICACIÓN DE PREFERENCIAS DE COMPRA PARA CADA TIPO DE PRODUCTOS O SERVICIOS. ¿QUÉ ES SBC 1to1? SBC 1to1 PERMITE: Cross & Up Selling Fidelizar Cartera Reducción de inversión en promociones INCREMENTO DE VENTAS! Constituye el escalón más avanzado en KYC : conocimiento 1to1. ¿QUÉ PRODUCTOS O SERVICIOS A QUÉ CLIENTE?
    • BASE DE DATOS CARACTERIZACIÓN DEL CLIENTE: PRODUCTOS, TRANSACCIONES, CANALES. ¿QUÉ PRODUCTOS A QUÉ CLIENTE?
    • “Top picks for you” Sugerencias basadas en preferencias de usuarios según su perfil de visitas (búsquedas, artículos vendidos y compras conjuntamente). Se identifica qué beneficios serán de interés para el usuario en base a sus transacciones históricas. S-Box: Motor de Sugerencias 1to1 Cross Selling Sugerencias basadas en preferencias de usuarios ‘similares’ en cuanto al perfil de búsquedas y compras. Upgrade Sugerencias de artículos relacionados a artículos con mayor margen de ganancia.
    • AUMENTAR LAS VENTAS… Incrementando la tasa de respuesta a artículos recomendados. Generando nuevas oportunidades de venta en cada visita del usuario. Incrementando las visitas a través de la comunicación personalizada. Objetivo
    • Ejemplo de alcance: Grilla de categorías y productos disponibles Tarjeta N 123.456 Tabaco Habanos Habanos Cubanos Cigarrillos europeos Cigarrillos american. Cigarrillos regionales Bestsellers Accesorios Cigarros - Bebidas Whisky Escocés Whisky +12 años Aperitivos Vinos $$$ Vinos $ Bebidas blancas $$$ Bebidas blancas $ Otros y Champ. Equipaje Bolsos y de mano Backpacks Laptop covers Set Valijas Accesorios - - - Cosméticos Cuidado Piel $$$ Cuidado Piel $ Maquillaje $$$ Maquillaje $ Bath & Body Anti arrugas Filtros solares $$$ Filtros solares $ Perfumería Fem. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Perfumería Masc. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Juguetería Muñecos de acción Art & Crafts $$$ Art & Crafts $ Baby toys Top rated Novedad- es Puzzle, Lego, etc - Tabaco Habanos Habanos Cubanos Cigarrillos europeos Cigarrillos american. Cigarrillos regionales Bestsellers Accesorios Cigarros - Bebidas Whisky Escocés Whisky +12 años Aperitivos Vinos $$$ Vinos $ Bebidas blancas $$$ Bebidas blancas $ Otros y Champ. Equipaje Bolsos y de mano Backpacks Laptop covers Set Valijas Accesorios - - - Cosméticos Cuidado Piel $$$ Cuidado Piel $ Maquillaje $$$ Maquillaje $ Bath & Body Anti arrugas Filtros solares $$$ Filtros solares $ Perfumería Fem. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Perfumería Masc. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Juguetería Muñecos de acción Art & Crafts $$$ Art & Crafts $ Baby toys Top rated Novedad- es Puzzle, Lego, etc - S-Box: Motor de Sugerencias 1to1
    • Tabaco Habanos Habanos Cubanos Cigarrillos europeos Cigarrillos american. Cigarrillos regionales Bestsellers Accesorios Cigarros - Bebidas Whisky Escocés Whisky +12 años Aperitivos Vinos $$$ Vinos $ Bebidas blancas $$$ Bebidas blancas $ Otros y Champ. Equipaje Bolsos y de mano Backpacks Laptop covers Set Valijas Accesorios - - - Cosméticos Cuidado Piel $$$ Cuidado Piel $ Maquillaje $$$ Maquillaje $ Bath & Body Anti arrugas Filtros solares $$$ Filtros solares $ Perfumería Fem. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Perfumería Masc. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Juguetería Muñecos de acción Art & Crafts $$$ Art & Crafts $ Baby toys Top rated Novedad- es Puzzle, Lego, etc - 2. Identifico oportunidades Cross Selling para cada usuario Tarjeta N 123.456 Tabaco Habanos Habanos Cubanos Cigarrillos europeos Cigarrillos american. Cigarrillos regionales Bestsellers Accesorios Cigarros - Bebidas Whisky Escocés Whisky +12 años Aperitivos Vinos $$$ Vinos $ Bebidas blancas $$$ Bebidas blancas $ Otros y Champ. Equipaje Bolsos y de mano Backpacks Laptop covers Set Valijas Accesorios - - - Cosméticos Cuidado Piel $$$ Cuidado Piel $ Maquillaje $$$ Maquillaje $ Bath & Body Anti arrugas Filtros solares $$$ Filtros solares $ Perfumería Fem. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Perfumería Masc. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Juguetería Muñecos de acción Art & Crafts $$$ Art & Crafts $ Baby toys Top rated Novedad- es Puzzle, Lego, etc - 3. Identifico oportunidades de Up Selling para cada usuario Tabaco Habanos Habanos Cubanos Cigarrillos europeos Cigarrillos american. Cigarrillos regionales Bestsellers Accesorios Cigarros - Bebidas Whisky Escocés Whisky +12 años Aperitivos Vinos $$$ Vinos $ Bebidas blancas $$$ Bebidas blancas $ Otros y Champ. Equipaje Bolsos y de mano Backpacks Laptop covers Set Valijas Accesorios - - - Cosméticos Cuidado Piel $$$ Cuidado Piel $ Maquillaje $$$ Maquillaje $ Bath & Body Anti arrugas Filtros solares $$$ Filtros solares $ Perfumería Fem. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Perfumería Masc. Mas vendidos $$$ Mas vendidos $ Tamaño G Tamaño Ch Top rated Indiferen- te - - Juguetería Muñecos de acción Art & Crafts $$$ Art & Crafts $ Baby toys Top rated Novedad- es Puzzle, Lego, etc - S-Box: Motor de Sugerencias 1to1
    • Rubro Categoría CC Moneda Nacional No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 # Trans. Web Nivel 1 # Trans. Web Nivel 2 # Trans. ATM Nivel 1 # Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … CC Moneda Extranjera No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 #Trans. Web Nivel 1 #Trans. Web Nivel 2 #Trans. ATM Nivel 1 #Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … Plazo fijo M. Ext. No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 3m Plazo: 6m Plazo: 12m Solicita Web Solicita Sucursal … Préstamo Hipotecario No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 120 cuotas Plazo: 120 - 180 cuotas Plazo: 180 y + cuotas Solicita Web Solicita Sucursal … Préstamo Automotor No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 12 cuotas Plazo: 12 - 18 cuotas Plazo: 18 y + cuotas Solicita Web Solicita Sucursal … Sobregiros No Tiene Sobregir o AVG Nivel 1 Sobregir o AVG Nivel 2 Meses c/ OVD <3/12 Meses c/ OVD 3-6/12 Meses c/OVD 6-12/12 Días AVG OVD <15 Días AVG OVD 16 -30 Días AVG OVD 31-60 … Otros………….. … … … … … … … … … … ¿QUÉ PRODUCTOS A QUÉ CLIENTE? EJEMPLO SECTOR FINANCIERO
    • Rubro N° Cliente: 123456 Categoría CC Moneda Nacional No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 # Trans. Web Nivel 1 # Trans. Web Nivel 2 # Trans. ATM Nivel 1 # Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … CC Moneda Extranjera No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 #Trans. Web Nivel 1 #Trans. Web Nivel 2 #Trans. ATM Nivel 1 #Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … Plazo fijo M. Ext. No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 3m Plazo: 6m Plazo: 12m Solicita Web Solicita Sucursal … Préstamo Hipotecario No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 120 cuotas Plazo: 120 - 180 cuotas Plazo: 180 y + cuotas Solicita Web Solicita Sucursal … Préstamo Automotor No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 12 cuotas Plazo: 12 - 18 cuotas Plazo: 18 y + cuotas Solicita Web Solicita Sucursal … Sobregiros No Tiene Sobregir o AVG Nivel 1 Sobregir o AVG Nivel 2 Meses c/ OVD <3/12 Meses c/ OVD 3-6/12 Meses c/OVD 6-12/12 Días AVG OVD <15 Días AVG OVD 16 -30 Días AVG OVD 31-60 … … … … … … … … … … … … ¿QUÉ PRODUCTOS A QUÉ CLIENTE?
    • + Cuenta Corriente U$S: Promedio Balance Anual U$S 36.000; 10 transacciones mensuales, 35% Sucursal, 55% Web y 5% Otras (móvil, etc.). Crédito Hipotecario: U$S 110K; Máximo atraso= 10 días; Forma de pago: débito. Sobregiros: Promedio U$S 500; máximo atraso 20 días. Productos NO CONTRATADOS: Cuenta de Ahorro, Préstamos Automotores, Tarjeta de Crédito. Cliente N° 123456 García, Ramón. Fecha alta: 12/01/2005 ¿QUÉ PRODUCTOS A QUÉ CLIENTE?
    • Rubro N° Cliente: 123456 Categoría CC Moneda Nacional No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 # Trans. Web Nivel 1 # Trans. Web Nivel 2 # Trans. ATM Nivel 1 # Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … CC Moneda Extranjera No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 #Trans. Web Nivel 1 #Trans. Web Nivel 2 #Trans. ATM Nivel 1 #Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … Plazo fijo M. Ext. No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 3m Plazo: 6m Plazo: 12m Solicita Web Solicita Sucursal … Préstamo Hipotecario No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 120 cuotas Plazo: 120 - 180 cuotas Plazo: 180 y + cuotas Solicita Web Solicita Sucursal … Préstamo Automotor No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 12 cuotas Plazo: 12 - 18 cuotas Plazo: 18 y + cuotas Solicita Web Solicita Sucursal … Sobregiros No Tiene Sobregir o AVG Nivel 1 Sobregir o AVG Nivel 2 Meses c/ OVD <3/12 Meses c/ OVD 3-6/12 Meses c/OVD 6-12/12 Días AVG OVD <15 Días AVG OVD 16 -30 Días AVG OVD 31-60 … … … … … … … … … … … … ¿QUÉ PRODUCTOS A QUÉ CLIENTE? VENTA CRUZADA!
    • Rubro N° Cliente: 123456 Categoría CC Moneda Nacional No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 # Trans. Web Nivel 1 # Trans. Web Nivel 2 # Trans. ATM Nivel 1 # Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … CC Moneda Extranjera No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 #Trans. Web Nivel 1 #Trans. Web Nivel 2 #Trans. ATM Nivel 1 #Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … Plazo fijo M. Ext. No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 3m Plazo: 6m Plazo: 12m Solicita Web Solicita Sucursal … Préstamo Hipotecario No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 120 cuotas Plazo: 120 - 180 cuotas Plazo: 180 y + cuotas Solicita Web Solicita Sucursal … Préstamo Automotor No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 12 cuotas Plazo: 12 - 18 cuotas Plazo: 18 y + cuotas Solicita Web Solicita Sucursal … Sobregiros No Tiene Sobregir o AVG Nivel 1 Sobregir o AVG Nivel 2 Meses c/ OVD <3/12 Meses c/ OVD 3-6/12 Meses c/OVD 6-12/12 Días AVG OVD <15 Días AVG OVD 16 -30 Días AVG OVD 31-60 … … … … … … … … … … … … ¿QUÉ PRODUCTOS A QUÉ CLIENTE? UP SELLING!
    • Rubro N° Cliente: 123456 Categoría CC Moneda Nacional No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 # Trans. Web Nivel 1 # Trans. Web Nivel 2 # Trans. ATM Nivel 1 # Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … CC Moneda Extranjera No Tiene Balance AVG Nivel 1 Balance AVG Nivel 2 #Trans. Web Nivel 1 #Trans. Web Nivel 2 #Trans. ATM Nivel 1 #Trans. ATM Nivel 2 # Trans. Suc. Nivel 1 # Trans. Suc. Nivel 2 … Plazo fijo M. Ext. No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 3m Plazo: 6m Plazo: 12m Solicita Web Solicita Sucursal … Préstamo Hipotecario No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 120 cuotas Plazo: 120 - 180 cuotas Plazo: 180 y + cuotas Solicita Web Solicita Sucursal … Préstamo Automotor No Tiene Capital Nivel 1 Capital Nivel 2 Capital Nivel 3 Plazo: 12 cuotas Plazo: 12 - 18 cuotas Plazo: 18 y + cuotas Solicita Web Solicita Sucursal … Sobregiros No Tiene Sobregir o AVG Nivel 1 Sobregir o AVG Nivel 2 Meses c/ OVD <3/12 Meses c/ OVD 3-6/12 Meses c/OVD 6-12/12 Días AVG OVD <15 Días AVG OVD 16 -30 Días AVG OVD 31-60 … … … … … … … … … … … … VENTA CRUZADA Y UP SELLING!
    • PRODUCTOS ¿QUÉ PRODUCTOS A QUÉ CLIENTE? OFERTAS / PROMOS LANZAMIENTO RE- LANZAMIENTO LISTADO DE PRODUCTOS PARA CADA CLIENTE LISTADO DE PRODUCTOS PARA PROMOCIÓN CLIENTE SBC 1to1 CROSS SELLING STD SALES UP SELLING PROMOCIONES 1TO1 BASADAS EN PREFERENCIAS
    • PROMOCIONES 1TO1 BASADAS EN PREFERENCIAS Se pueden presentar en: •Website de la institución •Móviles, transacciones, consultas, mensajes. •PC de Ejecutivos de Cuentas. •Telemarketing •Call Center •ATM •Otros…….
    • EJEMPLO PUBLICITARIO DE SUGERENCIAS PERSONALIZADAS DE UN CABLE DE TELEVISIÓN
    • Minería de Datos Aumentar Ventas Mitigar Riesgos y Pérdidas Reducir Costos INCIDENCIA DE MINERÍA DE DATOS EN EL ÉXITO EMPRESARIAL
    • Analítica tiene poder de decisión: Retención Cliente Respuesta Campañas Tasas de Adquisición Conversión Online Fraude CrimenGastos Riesgo
    • CICLO DE VIDA DEL CLIENTE VS MODELOS DE MINERÍA DE DATOS ADQUISICIÓN CONVERSIÓN MEJORAMIENTO VALOR RETENCIÓN RE-ACTIVACIÓN Segmentación Campañas a Targets Promoción Propensión de Abandono Win-back Costo de Adquisición Costos de Servicio Cross y Up Sell Alerta Caída de Consumo MBA Ciclo de vida rentable Ciclo de vida menos rentable
    • Técnicas Descriptivas (aprendizaje no supervisado) Técnicas Predictivas (aprendizaje supervisado) ALGUNAS DE LAS PRINCIPALES TÉCNICAS DE MINERÍA DE DATOS: • Clustering Jerárquico, • K-medias, • Clustering Bietápico,… • Reglas de Asociación, • Análisis Secuencial, • Análisis de Tendencias,… • Regresión Logística, • Árboles de Decisión, • Redes Neuronales, • Vecino más Cercano, • Regresión Múltiple, • Otros,… CREDIT SCORING, PROPENSIÓN DE ABANDONO, DE COMPRA, MOTOR DE SUGERENCIAS, otros. Market Basket Analysis, otros SEGMENTACIÓN
    • FUNCIONES DE LAS TECNICAS DE MINERIA DE DATOS: Asociaciones 85% de clientes que compraron un cierto tipo de marca de vino, también compraron cierto tipo de pasta. Patrones secuenciales 32% de los clientes femeninos que compraron una campera roja dentro de los 6 meses compraron también una camisa gris. Clasificación Clientes frequentes con ingresos de $ 5.000 y que tienen dos o más hijos/as. Clustering Segmentación transaccional de mercado.
    • Aplicación de Análisis Predictivo: Qué es predecible?: Cuál es la decisión de negocio?: Marketing Directo Respuesta del Cliente Reducción de los costos de contacto? Retención de Clientes Abandono de Cliente Retener, enviar propuesta de retención? Recomendación de Productos Qué necesita o quiere cada cliente Qué producto/servicio recomendar? Publicidad de contenido A cuál responderán? Qué contenido publicitar? Valor Vitalicio Qué tan rentable será cada cliente Cuánto invertir? Detección de Fraude Si las transacciones son legítimas Cuándo y dónde investigar? Credit scoring Riesgo del Deudor Otorgar o no el crédito? Selección y precio del seguro Riesgo asegurado Si se cubre y cuál sería el precio?
    • Los almacenes de datos no son imprescindibles para hacer extracción de conocimiento a partir de datos. se puede hacer minería de datos sobre un simple fichero de datos. Las ventajas de organizar un almacén de datos para realizar minería de datos se amortizan sobradamente a medio y largo plazo cuando: tenemos grandes volúmenes de datos, o éstos aumentan con el tiempo, o provienen de fuentes heterogéneas o se van a combinar de maneras arbitrarias y no predefinidas. ¿ES NECESARIO TENER ALMACENES DE DATOS PARA REALIZAR MINERÍA DE DATOS? BASES DE DATOS Y MINERÍA DE DATOS
    • • El aumento del volumen y variedad de información que se encuentra informatizada en bases de datos digitales ha crecido espectacularmente en la última década. • Gran parte de esta información es histórica, es decir, representa transacciones o situaciones que se han producido. • Aparte de su función de “memoria de la organización”, la información histórica es útil para predecir la información futura. MOTIVACIÓN DEL MERCADO NUEVAS NECESIDADES DEL ANÁLISIS DE GRANDES VOLÚMENES DE DATOS
    • • La mayoría de decisiones de empresas, organizaciones e instituciones se basan también en información de experiencias pasadas extraídas de fuentes muy diversas. • las decisiones colectivas suelen tener consecuencias mucho más graves, especialmente económicas, y se debe a que se basan en volúmenes de datos que hoy desbordan la capacidad humana. MOTIVACIÓN DEL MERCADO
    • • Tamaño de datos poco habitual para algoritmos clásicos: • número de registros muy largo • datos altamente dimensionales (nº de columnas/atributos). • El usuario final no es un experto en aprendizaje automático ni en estadística. • El usuario no puede perder más tiempo analizando los datos: • industria: ventajas competitivas, decisiones más efectivas. • Los sistemas clásicos de estadística son difíciles de usar y no escalan al número de datos típicos en bases de datos. MOTIVACIÓN DEL MERCADO
    • > Mercado: Desde un foco de servicios a un foco en el cliente 1to1! > IT: Desde un foco en balances contables actualizados a un foco en patrones en las transacciones Herramientas: Data Warehouses, OLAP > Dramática reducción en los costos de almacenaje de datos: Ej.: Walmart: 30 millones de transacciones/día, 10 TB Ej.: Blockbuster: registros de mas de 46 millones de familias > Captura automática de transacciones Ej.: Código de barras, POS devices, ATM (cajeros automáticos), clicks de mouse, Datos de localización (GPS, smart phones, tablets, etc. ) > Internet: Interacciones personalizadas (Amazon.com, EBAY.com) FACTORES DEL MERCADO PARA LLEVAR A CABO MINERÍA DE DATOS
    • > Para Sector Financiero > Para Sector de Seguros > Para Sector Retail (supermercados, cadenas de restaurantes, etc.) > Para Sector Telecomunicaciones > Para Sector Gobierno > Otros SECTORES DONDE MINERIA DE DATOS APLICA:
    • > Target: Bancos, Cooperativas, Tarjetas de Crédito, Corredores de Bolsa, etc. > Adoptaron temprano las aplicaciones de Data Mining. > “The right relationship is everything”. > Retención de clientes > Ventas cruzadas > Maximización de campañas de MKTG y promociones. SECTOR FINANCIERO
    • > Maximización de dinero en ATMs (cajeros automáticos) > Administración de riesgo > Predecir malos préstamos > Detección de lavado de dinero y fraude > Target Marketing: Identificar clientes potenciales para nuevos productos (préstamo, bono, etc.) al mismo tiempo que maximizar y efectivizar los costos de marketing. (útil para todos los sectores del mercado). Veamos ejemplo. SECTOR FINANCIERO
    • TARGET MARKETING > Problema ($$$): Uso de extensas listas de clientes para realizar campañas de mailing directo > Solución: Uso de Minería de Datos para identificar las respuestas más prometedoras mediante la combinación de datos geográficos y demográficos con datos del comportamiento de compra en el pasado de los clientes > Beneficio: Mejor tasa de respuesta Ahorro en los costos de las campañas publicitarias Utilización de canales preferidos por los clientes
    • > Rediseñó la infraestructura de Servicio al cliente, incluyó una inversión de US$ 38 millones en un data warehouse y automatización de marketing. > Utilizó regresión logística para predecir las probabilidades de respuesta de un producto “home-equity” a una muestra de 20.000 perfiles de clientes de una base de datos de 15 millones. > Utilizó CART para predecir los clientes rentables y cuáles serían no rentables incluso si responden positivamente al nuevo producto ofrecido. EJEMPLO: ABC FINANCIAL GROUP
    • > Detección de fraude > Detección de lavado de dinero > Programa de retención de clientes > Medidas de riesgos por cliente > Identificar los recursos suficientes para cubrir responsabilidades (siniestros) de manera eficiente > Venta cruzada SECTOR SEGUROS
    • > Predecir el comportamiento y hábito de compra del cliente. > Análisis de la canasta de compra (MBA) > Hacer mas eficiente y efectiva las campañas de MKTG y de promociones. > Reducir sustancialmente los costos de mailing. > Ej.: pañales # …………. SECTOR RETAIL
    • SECTOR TELECOMUNICACIONES > Identificar clientes que fueran atraídos a un nuevo servicio. > Alcanzar a dicho target de la manera mas eficiente y efectiva. > Usualmente, entre 2 y 3 % responden a una campaña tradicional.
    • CAMPAÑAS MAS EFICIENTES: Contactos 100 200 300 400 Mail masivo Mail identificado ahorro 2000 4000 6000 8000 10000 12000 14000 16000 18000
    • > SPSS > SAS > R > Intelligent Miner > MineSet > DBMiner > CART > HNC s FALCON > Otras………………… HERRAMIENTAS PARA ESTADÍSTICAS
    • HERRAMIENTAS:
    • > 1. Identificar oportunidades y beneficios para el negocio donde el análisis de datos puede proveer valor agregado. Podemos comenzar por una unidad de negocio, con una necesidad puntual. > 2. Transformar los datos en información útil y con poder de acción usando técnicas de Minería de Datos. > 3. Actuar en base a la información obtenida > 4. Medir los resultados de los esfuerzos CICLO DE VIDA DE DM
    • > 1. Identificar oportunidades y beneficios para el negocio donde el análisis de datos puede proveer valor agregado: • Planificar un lanzamiento de un nuevo producto • Planificar campañas de marketing directo para venta cruzada • Retener clientes •Pregunta: en su Departamento? CICLO DE VIDA DE DM
    • > 2. Transformar los datos en información útil y con poder de acción usando técnicas de Minería de Datos • Éxito se define como adquirir un sentido del negocio partiendo de los datos y no de la utilización de una técnica en particular. A considerar: • Formato de datos ineficiente • Campos/variables confundibles CICLO DE VIDA DE DM
    • > 3. Actuar en base a la información obtenida • Envío de mensajes a distintos clientes a través de sus canales preferidos • Priorizar Servicio al Cliente • Ajuste de niveles de inventario CICLO DE VIDA DE DM
    • > 4. Medir los resultados de los esfuerzos • La campaña alcanzó y trajo los clientes mas rentables? • Fueron esos clientes retenidos como se esperaba? • Cuáles son las características de los clientes mas leales alcanzados por esta campaña? • Compraron productos adicionales? • Qué tipo de mensaje fue mas beneficiosos para la empresa? • Valor de los clientes…………. CICLO DE VIDA DE DM
    • METODOLOGÍA CRISP – DM CROSS INDUSTRY STANDARD PROCESSING FOR DATA MINING:
    • Análisis del Negocio Comprensión de Datos Preparación de datos Modelado Evaluación Desarrollo Determinación de Objetivos del Negocio Evaluación de la Situación Determinación de Objetivos de Data-Mining Producción del Plan de Negocios Background Objetivos Negocio Criterio de "Éxito” Inventario d Recursos Supuestos, Restriccio- nes Riesgos y Contingen- cias Termino- logía Metas de DM Criterio de “éxito” DM Plan de Proyecto Evaluación de técnicas
    • Análisis del Negocio Comprensión de Datos Preparación de datos Modelado Evaluación Desarrollo Recolección inicial de datos Descripción de datos Exploración de datos Verificación de la calidad de los datos Reporte Recolección de datos Reporte de exploración de datos Reporte de calidad de datos Reporte de Descriptivos
    • Análisis del Negocio Comprensión de Datos Preparación de datos Modelado Evaluación Desarrollo Seleccionar Datos Limpieza de datos Construcción de variables Integración de datos: Aplanado Razones inclusión y/o exclusión Atributos derivados Fundido de archivo: aplanado Reporte de Limpieza de datos Registros generados Formato de datos Dar formato a la base de datos Descripción de base de datos
    • Análisis del Negocio Comprensión de Datos Preparación de datos Modelado Evaluación Desarrollo Seleccionar Datos Limpieza de datos Construcción de variables Integración de datos: Aplanado Formato de datos Selección de Técnicas de Modelado Generación de diseños de prueba Construcción del Modelo Evaluación del Modelo Evaluación de Resultados Revisión del Procedimiento Determinación de pasos a seguir Despliegue de Resultados Evaluación de Formas de Mantenimiento Reporte final del proyecto Análisis del Negocio Comprensión de Datos Preparación de datos Modelado Evaluación Desarrollo Seleccionar Datos Limpieza de datos Construcción de variables Selección de Técnicas de Modelado Generación de diseños de prueba Construcción del Modelo Evaluación de Resultados Revisión del Procedimiento Despliegue de Resultados Evaluación de Formas de Mantenimiento Integración de datos: Aplanado Evaluación del Modelo Determinación de pasos a seguir Reporte final del proyecto Análisis del Negocio Comprensión de Datos Preparación de datos Modelado Evaluación Desarrollo Seleccionar Datos Limpieza de datos Construcción de variables Selección de Técnicas de Modelado Generación de diseños de prueba Construcción del Modelo Evaluación de Resultados Revisión del Procedimiento Despliegue de Resultados Evaluación de Formas de Mantenimiento
    • TIEMPOS ESTIMADOS UTILIZANDO CRISP-DM PARA MODELOS: SEGMENTACIÓN BASADA EN EL COMPORTAMIENTO CREDIT SCORING PROPENSIÓN DE ABANDONO Conocimiento del negocio •Identificar los objetivos •Análisis de la situación •Determinación de objetivos de DM •Creación del plan del proyecto Análisis de los datos •Recolección de datos •Descripción de los datos •Exploración de los datos •Verificación de la calidad de los datos recolectados Preparación de los datos •Selección de datos •“Limpieza” de datos •Construcción de datos •Integración y formato de los datos Modelado •Selección de técnicas de modelado •Generar un diseño de test •Construcción del modelo •Evaluación del modelo Evaluación •Evaluación de los resultados obtenidos •Revisación del proceso aplicado •Determinación de próximos pasos a seguir Desplegar •Diseño del plan de despliegue del modelo •Diseño del plan de mantenimiento y monitoreo •Creación del reporte final
    • AUTOMATIZAMOS… MEDIMOS….
    • Data Warehouse Fuentes propias y/o externas SQL, Oracle, MySQL Herramienta estadística genera: 2. Procesos de Automatización: 1. Algoritmo del modelo: Aplicación tecnológica 3. Reportes y listados:
    • SEGUIMIENTO DE GESTIÓN EMPRESARIAL: SISTEMA DE INFORMACION GERENCIAL: TOTAL EMPRESAS PERSONAS TARJETAS Clientes Productos Sucursales CLIENTES: SEGMENTOS, FRECUENCIA, ATRASOS, % UTILIZACIÓN DE SERVICIOS, % PARTICIPACIÓN PROMOCIONES, ETC.
    • Sistema de Información Gerencial Realizar planeamiento empresarial de manera rápida y eficiente. Analizar diversas opciones para tomar la decisión mas correcta. Crear, comparar y evaluar escenarios de negocios, condiciones y supuestos. Enviar alertas de eventos críticos de su operativa en forma automática e inmediata Las alertas pueden contener toda la información necesaria para tomar una decisión en ese momento. Tableros de control son instrumentos que comunican la información del negocio compleja rápidamente. Traduce los datos de sus sistemas a elementos gráficos para demostrar y comparar resultados múltiples juntos. Monitorear el desempeño de la organización por medio de indicadores que reflejan donde está la empresa y hacia donde se dirige Esto último, a través de métricas fáciles de monitorear y entender. Sistemas que visualizan valores organizados en múltiples perspectivas o dimensiones. Permite analizar los hechos sucedidos para descubrir las causas de los problemas u oportunidades de negocio. Elaborar informes empresariales en tiempo real .
    • EJEMPLO: TENDENCIA DE VENTAS ($ Y #) DE NUEVAS CUENTAS CORRIENTES EN LA SUCURSAL VILLA MORRA DURANTE EL MES OCTUBRE 2009 (DÍA A DÍA Y EN COMPARACIÓN CON OCT. 2008):
    •  Analizar mes a mes el movimiento de sus clientes dentro de los segmentos  Detectar el incremento de los segmentos mas riesgosos para su empresa  Analizar de donde provienen los clientes que se movieron. Analizar si estas tendencias tienen o tendrán impacto en su empresa EJEMPLO SEGUIMIENTO DE SEGMENTACION:
    •  Detectar los clientes con una alta propensión de compra. Analizar si es rentable retener a todos.  Generar Targets de clientes con propensidad de compra y/o de abandono.  Administrar campañas  Monitorear la efectividad de sus campañas. EJEMPLO DE PANTALLA PROPENSION DE ABANDONO:
    • HASTA AHORA………..: Mejores decisiones operacionales resultan en aumento del ROI Modelos Predictivos pueden mejorar las decisiones operacionales Se necesita: Dar el primer paso........ Enfocarse en acciones....... Rápida implementación....... Unidades de Negocio y Sistemas comprometidos (Equipo multidisciplinario) Transmitir la experiencia y motivar.......
    • CONOCER NO ES SUFICIENTE: Aquellos que conocen primero, ganan. Aquellos que ACTUAN primero, ganan Asumiendo que ACTUAN inteligentemente
    • MEJORAMOS LA PERFORMANCE DE LA EMPRESA CONOCIENDO EN PROFUNDIDAD A NUESTROS CLIENTES
    • Módulo4 Segmentación Basada en el Comportamiento Transaccional (histórico de datos, registros) Ejemplos de distintos sectores
    • SEGMENTACION BASADA EN EL COMPORTAMIENTO: Obtener segmentos homogéneos de clientes según patrones de comportamiento de consumo de servicios/productos, para así: → Identificar a los mejores clientes y establecer estrategias de retención. → Establecer estrategias específicas para cada segmento, por ejemplo: • Para motivar el aumento del volumen de operaciones • Incentivar el consumo de diferentes productos • Educar y fidelizar ciertos clientes • Desarrollar nuevos productos financieros 1. Conocer en profundidad la Cartera de Clientes Utilizar el modelo obtenido como base para la realización de proyectos de Lanzamiento de campañas (retención, expansión, promoción, etc.), propensión de abandono, ventas cruzadas, MBA, sugerencias personalizadas. 2. Establecer la base para otros proyectos Particiona la cartera de clientes en base al perfil de compras y hábitos generales de consumo de cada cliente.
    • PORQUÉ SEGMENTACIÓN BASADA EN EL COMPORTAMIENTO: ¿Quiénes son sus clientes más rentables? ¿Cuáles conviene retener y cuáles no? ¿Cuál es la probabilidad de incumplimiento de pago de sus clientes? ¿Cómo identifica las mejores oportunidades de venta cruzada? ¿Cuál es la frecuencia, recencia y valor vitalicio de cada cliente? ¿Cuáles son los clientes que piensan reemplazar sus servicios por los de la competencia? ¿Por qué? ¿Cómo los identifico a tiempo? ¿Cuáles son los clientes más propensos a responder positivamente a una nueva promoción?
    • “CONOCER MI CLIENTE”: • Quién es mi cliente? • Qué Frecuencia tiene? • Qué valor monetario tienen? Y los márgenes? 1. IDENTIFICACION • Qué servicios utilizan? • Qué estilo de vida tienen? Sus preferencias? • Hacia dónde van (tendencias)? • A qué segmento pertenecen? 2. CATEGORIZACION • Qué grado de fidelidad tienen con nuestra empresa? • Qué propensidad de comprar tienen sobre servicio X? • Cuáles serán el foco a corto, mediano y largo plazo? 3. JERARQUIZACION
    • SEGMENTACION RETAIL
    • Patrón de Visitas Alto Medio Bajo Gasto Diario 2 veces por semana Semanal De vez en cuando Casi nunca Lapsos Se Fue PREMIUM (ej.: 12%) : SEG. 1 VALORABLE (ej.: 19%) POTENCIAL (25%) NO COMPROMETIDOS (39%) LAPSOS (6%) SE FUE FASE I: OBTENCIÓN DE PATRONES DE USO INSUMOS: TODOS LOS TICKETS DE COMPRA Y DATOS DE TARJETA DE FIDELIDAD
    • NOTEBOOKS SALUD & BELLEZA ANIMALES & MASCOTAS SBC: EJEMPLO DE SEGMENTACIÓN DE CLIENTES FASE I: FASE II (descriptiva) NOTEBOOK S ANIMALES & MASCOTAS CELULARES CELULARES SALUD & BELLEZA REPUESTOS AUTOMÓVILES SEGMENTO 1 (Alta Fidelidad, Frecuencia y Gasto) SEGMENTO 2 (Alta Fidelidad y Frecuencia; Gasto Moderado) SEGMENTO 5 (Clientes No Frec.s) ACCESORIOS COMPUTACIÓN REPUESTOS AUTOMÓVILES ACCESORIOS COMPUTRACIÓN
    • Global STD SIN DEC FAN EXT Cantidad Clientes 252.962 163.237 44.164 16.505 27.228 1.828 Cantidad Visitas 3,23 2,91 0,17 0,81 10,09 24,03 Importe AVG Visitas 388 2,9 0,175 0,81 10,09 24,03 Frecuencia (días) 9,3 267 367 1855 472 730 Recencia (días) 32,2 10,28 171,73 36,92 2,97 1,25 % Fin de Semana 30% 23,19 82,46 38,41 3,5 1,43 Sucursal Estable 67% 30% 40% 54% 30% 27% Global STD SIN DEC FAN EXT Cantidad Clientes 252.962 163.237 44.164 16.505 27.228 1.828 Cantidad Visitas 3,23 2,91 0,17 0,81 10,09 24,03 Importe AVG Visitas 388 267 367 1855 472 730 Frecuencia (días) 9,3 10,28 171,73 36,92 2,97 1,25 Recencia (días) 32,2 23,19 82,46 38,41 3,5 1,43 % Fin de Semana 30% 30% 40% 54% 30% 27% Sucursal Estable 67% 61% 28% 89% 65% 85% SBC: EJEMPLO DE SEGMENTACIÓN DE CLIENTES
    • RESULTADOS:
    • SEGMENTO 1 SEGMENTO 2 SEGMENTO 3 SEGMENTO 4 SEGMENTO 5 Artículos por visita Cantidad de Visitas FAN: 10% de clientes, 40% de facturación. EXTREMOS: menos de 1% de clientes, 10% de ventas!!!. CONSUMO ESTANDAR: 65% de los clientes, 40% de ventas. SBC: EJEMPLO DE SEGMENTACIÓN DE CLIENTES SIN FIDELIZAR: 18% de clientes, menos de 1% de las ventas DECIDIDO: 7% de clientes. Muy Pocas visitas, pero compran varios artículos por visita. Significan 8% de las ventas totales.
    • Generar mayor valor para el cliente: Fidelizar! Crear productos y servicios a medida Multiplicar las oportunidades de nuevas ventas Crecer en mercados maduros Lanzar estrategias personalizadas de Cross Selling & Up Selling
    • Procedimiento y Técnicas Utilizadas: 1. Análisis descriptivo de los datos Univariante, Correlaciones y Multivariante. 2. Determinación del Training Set, Testing Set y Validation Set 3. Estandarización de los datos Transformación de variables, evaluación de datos faltantes, medidas correctivas de datos faltantes, otros. 4. Aplicación de Componentes principales Selección de dimensiones, evaluación de componentes y significado de nuevas variables.
    • 5. Aplicación de Clustering Jerárquico (sobre componentes y variables originales): Corrida de Clustering, evaluación de resultados entre muestras y determinación de cantidad de grupos finales. 6. Evaluación de consistencia del modelo: Comparación entre tamaños y conceptos de grupos obtenidos, elección de método final y determinación de cantidad de grupos finales. Procedimiento y Técnicas Utilizadas:
    • I. Segmentar el mercado usando variables de demanda (ej. Necesidades de cliente, beneficios vistos, soluciones a problemas deseados, situaciones de uso, etc.) II. Describir los segmentos de mercado identificados usando variables que ayudan a la empresa a entender: • como servir mejor a sus clientes (ej.: patrones de compra, ubicación geográfica, poder de compra, etc.) • a comunicarse (preferencia de medios, actitudes, actividades, intereses, opiniones, etc.) • los costos de cambio del comprador (costos asociados con el cambio de producto o de proveedor). ETAPAS DE SEGMENTACION:
    • III. Evaluar que tan atractivos son los segmentos usando variables que cuantifiquen (tasa de crecimiento) las posibilidades de cada segmento; y los costos de atender a cada segmento. IV. Seleccionar uno o mas segmentos target para servir basados en el potencial de ganancia de los segmentos y que acompañen la estrategia de la compañía. V. Identificar el concepto de posicionamiento de los productos y servicios de la compañía que atraerán a los clientes target. ETAPAS DE SEGMENTACION:
    • APLICACIÓN MAS UTILIZADA DE MINERÍA DE DATOS PARA SEGMENTAR: CLUSTERING > Propósito de Clustering es identificar una colección de características que tienen propiedades similares en un grupo. > Presumimos las mismas similitudes entre todos los integrantes del grupo. > Interesante, útil, beneficioso? Por qué?: > Identificar clientes de alto valor, > Clientes con alto nivel de riesgo, > Instancias de fraude, etc., etc.
    • I II III Dimensión 1 Dimensión2 MÉTODO MAS UTILIZADO: CLUSTERING.
    • > Obtiene la Probabilidad Predecible de Compra > Aplica la ecuación a toda la BD. > Luego, utiliza el dato para calcular la rentabilidad esperada de esos clientes. > Envía la campaña (Marketing Directo) a aquellos donde la rentabilidad esperada supera el costo de alcanzar a dicho segmento. SEGMENTACION: Choice-Based
    • Cliente Probabilidad de compra Promedio de compra Margen Rentabilidad por cliente 1 30% $31 0,70 $6,51 2 2% $143 0,60 $1,72 3 10% $54 0,67 $3,62 4 5% $88 0,62 $2,73 5 60% $20 0,58 $6,96 6 22% $60 0,47 $6,20 7 11% $77 0,38 $3,22 8 13% $39 0,66 $3,35 9 1% $184 0,56 $1,03 10 4% $72 0,65 $1,87 $37,20 > Promedio esperado de ganancia: $3,72 > Costo de alcanzar a cada cliente: $3,50 > Ganancia: (10 x ($3,72 - $3,50) = $2,20 SEGMENTACION: Choice-Based
    • > Promedio esperado de ganancia: $3,72 > Costo de alcanzar a cada cliente: $3,50 > Ganancia: $6,51 + $ 3,62 + $6,96 + $6,20 – (4 x 3,50) = $9,29 Cliente Probabilidad de compra Promedio de compra Margen Rentabilidad por cliente 1 30% $31 0,70 $6,51 2 2% $143 0,60 $1,72 3 10% $54 0,67 $3,62 4 5% $88 0,62 $2,73 5 60% $20 0,58 $6,96 6 22% $60 0,47 $6,20 7 11% $77 0,38 $3,22 8 13% $39 0,66 $3,35 9 1% $184 0,56 $1,03 10 4% $72 0,65 $1,87 $37,20 SEGMENTACION: Choice-Based
    • > $2,20 o $9,29? > Conclusión: utilizando Segmentación Choice Based, la compañía aumenta la rentabilidad de la campaña en un 400%. > Es decir es más……. SEGMENTACION: Choice-Based
    • SBC EN BASE A CUENTAS SBC EN BASE A CRÉDITOS Cada cliente (persona física o jurídica) será segmentada según su comportamiento en CUENTAS, CRÉDITOS (Historial y Atraso), y TARJETAS DE CRÉDITO (Compras y Atraso) de manera independiente SBC EN BASE A TARJETAS ESTRATEGIA DE SEGMENTACIÓN PARA INSTITUCIONES FINANCIERAS: ENFOQUE DE SEGMENTACIÓN MÚLTIPLE PERMITE OPTIMIZAR SU UTILIZACIÓN PARA FINES COMERCIALES Y CONTROL DE RIESGO CREDITICIO
    • EJEMPLO: SEGMENTACIÓN DE TARJETAS DE CRÉDITO 2. MODALIDAD DE COMPRAS 3. CATEGORIZACIÓN DE COMPRAS CÓMO COMPRA? QUÉ COMPRA? 1. SBC VOLUMEN CUÁNTO COMPRA? LA SEGMENTACIÓN DE CLIENTES EN BASE A USO DE TARJETAS DE CRÉDITO CONSTA DE MÚLTIPLES FASES: COMPLETO POSICIONAMIENTO DEL CLIENTE BASADO EN SUS COMPRAS Y PAGOS 4. PAGOS Y ATRASO CÓMO PAGA?
    • CLIENTES TARJETAS DE CRÉDITO SEGMENTACIÓN CON VARIABLES TRANSACCIONALES Global A+ A- B+ B- C+ C- Cantidad de Clientes 224.797 18.075 23.267 52.504 30.983 65.741 34.228 Cant. AVG Compras mensuales 4,23 15,78 4,39 6,42 2,94 1,94 0,42 Imp. AVG Compras mensuales 3.133 12.588 2.726 4.555 1.673 1.632 442 AVG Monto Disponible 15.300 39.404 9.808 21.003 7.477 11.645 11.661 Utilización AVG del Disponible 38,5% 44,6% 54,1% 36,1% 57,1% 33,3% 21,9% Atraso mayor a 31 días 10,2% 2,8% 12,4% 1,9% 29,8% 4,3% 18,7% AVG Cap.Financiado / Límite Crédito 8% 7% 13% 1% 42% 1% 1% Participación en Promociones 13% 44% 17% 18% 12% 4% 2%
    • Global A+ A- B+ B- C+ C- Cantidad de Clientes 224.797 18.075 23.267 52.504 30.983 65.741 34.228 Cant. AVG Compras mensuales 4,23 15,78 4,39 6,42 2,94 1,94 0,42 Imp. AVG Compras mensuales 3.133 12.588 2.726 4.555 1.673 1.632 442 AVG Monto Disponible 15.300 39.404 9.808 21.003 7.477 11.645 11.661 Utilización AVG del Disponible 38,5% 44,6% 54,1% 36,1% 57,1% 33,3% 21,9% Atraso mayor a 31 días 10,2% 2,8% 12,4% 1,9% 29,8% 4,3% 18,7% AVG Cap.Financiado / Límite Crédito 8% 7% 13% 1% 42% 1% 1% Participación en Promociones 13% 44% 17% 18% 12% 4% 2% CLIENTES TARJETAS DE CRÉDITO SEGMENTACIÓN CON VARIABLES TRANSACCIONALES
    • Cartera promedio Tienen TC “por las dudas” Pocas compras, en cuotas o lo financio… Followers “Clientes VIP” Clientes VIP Buenos compradores, malos pagadores Fans de débitos automáticos Calidad de Pago1 EJEMPLO: MAPA SEGMENTACIÓN TARJETAS DE CRÉDITO 1 Dimensión “Calidad de Pago”: se relaciona con Forma y Fechas de Pagos, Financiación de Capital, Utilización del Límite de Crédito. 2 Dimensión “Valor Monetario”: se asocia con frecuencia, importe de compras, otros. Valor Monetario2 7.000 Clientes ( 2%) -Frecuencia de compra < 1,5 días - 25% del consumo total - Importe mensual de compras $U 18k 10.500 Clientes (3%) - Alta participación en promociones - Cuoteros - Financian Capital 9/12 meses - Alta utilización del Límite de Crédito 31.000 Clientes ( 10%) - Frecuencia de utilización cada 30 días, principalmente en débitos automáticos. - Casi no realizan compras - No participan en promociones
    • Módulo5 Modelos Predictivos: Generalidades técnicas Ejemplos: Propensión de Abandono Credit Scoring
    • EJEMPLO DE MODELO PREDICTIVO: PROPENSIÓN DE ABANDONO (CHURN ANALYSIS)
    • OBJETIVOS MONITOREAR Y CONTROLAR EL ABANDONO AUMENTANDO INGRESOS AL FIDELIZAR LA CARTERA PROPENSIÓN DE ABANDONO SEGMENTACIÓN BASADA EN EL COMPORTAMIENTO
    • PROPENSIÓN DE ABANDONO: OBJETIVOS Predecir el abandono de afiliados Se estableció como objetivo predecir el abandono de afiliados mediante el análisis del comportamiento histórico de los mismos. De esta manera se identifican las causas de la pérdida de afiliados. Cada afiliado/a y/o núcleo obtendrá un score de una escala que deberá reflejar su proximidad a abandonar los servicios que la empresa les provee.
    • ESTRATEGIA: Predecir el abandono de afiliados Se estableció como objetivo predecir el abandono de afiliados mediante el análisis del comportamiento histórico de los mismos. De esta manera se identifican las causas de la pérdida de afiliados. Cada afiliado/a y/o núcleo obtendrá un score de una escala que deberá reflejar su proximidad a abandonar los servicios que la empresa les provee.
    • PROPENSIÓN DE ABANDONO LE PERMITE: QUÉ ES “CHURN ANALYSIS”? Obtención de una Escala de Riesgo de Abandono, donde pueda identificarse cuáles son los clientes más propensos a abandonar. Captar un cliente nuevo es muchas veces más caro que retenerlo! RESULTADO → Retener proactivamente posible abandono de clientes. → Maximizar la rentabilidad de cada cliente, alargando su ciclo de vida en la institución. → Clasificar la cartera de clientes en relación a su probabilidad a abandonar los servicios que la institución le provee.
    • ESTRATEGIA: • Servirá para identificar factores asociados al abandono a ser utilizados en la construcción de la fórmula predictiva. ANÁLISIS DESCRIPTIVO • Se construye el modelo de predicción obteniendo como resultado una fórmula que permita calcular el riesgo a abandono de todos los clientes. MODELO DE PROPENSIÓN
    • ANÁLISIS DESCRIPTIVO: Junio 2009Junio 2004 43.081 bajas* * Se excluyen los Convenios de Salud y las bajas por fallecimiento. Punto de inicio Análisis de Bajas
    • 38% 27% 12% 9%4% 3% 2% 2% 1% 1% 1% 0% Acumulación de Cuotas Dificultades Económicas Retiro sin confirmar motivo Cliente nuevo impago Cese relación laboral (Convenios) No necesita el servicio / Nunca lo ha utilizado Descontento con el área de Servicios Demora en llegar el Móvil Mayor parte de bajas: motivos económicos y/o deuda ANÁLISIS DE BAJAS: MOTIVOS DE BAJA
    • <= 14 15 - 49 50+ 54% 71% 84% 46% 29% 16% Franja etaria No Abandono Abandono ABC1 C2 D1 D2 E Semirural Sin Datos 84% 75% 63% 63% 71% 16% 25% 37% 37% 29% Zona de Residencia No Abandono Abandono CARTERA ACTIVA VS. BAJAS: EDAD Y ZONA DE RESIDENCIA Existen diferencias significativas entre Tramos de Edad. Existen diferencias significativas entre algunas Zonas de Residencia
    • PLAN 200 PLAN 300 PLAN 400 PLAN 500 UCM 56% 66% 66% 78% 88% 44% 34% 34% 22% 12% Plan de Cobertura Convenio Centralizado Débito Automático Domiciliaria 82% 81% 56% 18% 19% 44% Canal de Cobranza CARTERA ACTIVA VS. BAJAS: COBERTURA Y COBRANZA
    • CONCLUSIONES ANÁLISIS DESCRIPTIVO Existen diferencias sistemáticas entre afiliados que abandonan y aquellos que no lo hacen, en particular, para: • Antigüedad • Edad • Zona de Residencia • Mutualista • Canal de Afiliación • Canal de Cobranza • Plan de Cobertura • Frecuencia de utilización de servicios
    • Meta: Construir regla predictiva del abandono de la cartera de afiliados. Cómo? • Se analiza comportamiento simultáneo de los afiliados a una fecha específica (Junio 2008). • Se aplican métodos que permiten detectar diferencias de patrones de comportamiento entre aquellos clientes del stock que permanecen afiliados luego de un año, de aquellos que no. Junio 2008 Junio 2009Enero 2006 Stock de Afiliados utilizado CONSTRUCCIÓN DEL MODELO
    • Alcance: Se obtiene un score en una escala que refleja su proximidad a abandonar los servicios que la empresa provee en los próximos meses. 1: Abandono0: No Abandono ESCALA de SCORES PROPENSIÓN DE ABANDONO
    • Mutualista, Barrio, Género, Edad.DEMOGRÁFICO Antigüedad, Plan de Cobertura, Canal de Afiliación, tamaño y composición del grupo, Canal de Cobranza. VÍNCULO Consultas Telefónicas Emergencias, Urgencias, Otro Tipo. UTILIZACIÓN TELÉFONO Médico, Especialista y Enfermería. UTILIZACIÓN CLÍNICAS UTILIZACIÓN MÓVIL Información sobre cobranza: atrasos, deuda. CONDUCTA DE PAGO Y DEUDA A incluir en el futuro (más cercano posible): MODELO ANALÍTICO DE PROPENSIÓN DE ABANDONO: Dimensiones del modelo:
    •  Técnica: Regresión Logística.  Software: SPSS Statistics 17; R 2.9.1.  Cross validation: construcción del modelo sobre muestra LEARN (m.a uniforme del 70% de los casos), validado sobre 30% restante (muestra TEST).  Unidades clasificadas: Responsables de pago agrupando comportamiento del núcleo (en caso que RP sea socio); y afiliados individuales (caso contrario).  REGLA PREDICTIVA CONSTRUIDA PARA AFILIADOS CON MENOR ANTIGÜEDAD QUE 30 MESES. CONSTRUCCIÓN DEL MODELO: DEFINICIÓN DEL MARCO DE ANÁLISIS
    • MODELO DE PREDICCIÓN Variable a Explicar: Abandono. •1 – abandono •0 – no abandono Variables explicativas (predictores): Ver cuadro!
    • PROPENSIÓN DE ABANDONO: NOTAS PARTICULARIDADES DEL MODELO → El modelo de propensión de abandono clasifica a todos los afiliados cuyo responsable de pago tiene hasta 30 meses de antigüedad (grupo donde ocurren 65% de las bajas). → Para el cálculo de SCORES se considera el comportamiento conjunto de todos los integrantes de un grupo. → Todos los miembros de un núcleo tienen la mismo score de propensión de abandono.
    • RESULTADOS PROPENSIÓN DE ABANDONO*
    • SCORES: ¿QUÉ NÚCLEOS PRESENTAN RIESGO DE ABANDONO? Punto de Corte: 0.80 Punto de Corte: 0.70 Punto de Corte: 0.55
    • 0 200 400 600 800 1000 1200 1400 1600 1800 2000 <=0,05 0,05-0,10 0,10-0,15 0,15-0,20 0,20-0,25 0,25-0,30 0,30-0,35 0,35-0,40 0,40-0,45 0,45-0,50 0,50-0,55 0,55-0,60 0,60-0,65 0,65-0,70 0,70-0,75 0,75-0,80 0,80-0,85 0,85+ CantidaddeNúcleos Stock Bajas VALIDACIÓN DEL MODELO: PRONÓSTICO VS. OBSERVADO Punto de Corte: 0.55 Punto de Corte: 0.70 Punto de Corte: 0.80
    • 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% <=0,05 0,05-0,10 0,10-0,15 0,15-0,20 0,20-0,25 0,25-0,30 0,30-0,35 0,35-0,40 0,40-0,45 0,45-0,50 0,50-0,55 0,55-0,60 0,60-0,65 0,65-0,70 0,70-0,75 0,75-0,80 0,80-0,85 0,85+ Bajas Stock VALIDACIÓN DEL MODELO: PRONÓSTICO VS. OBSERVADO Homogeneidad de clasificación:
    • NIVEL 1: MÁXIMO RIESGO DE BAJA. 82% ABANDONO a 6-12 meses NIVEL 2: ALTO RIESGO DE BAJA. 66% ABANDONO a 6-12 meses NIVEL 3: INTEERVALO NO INFORMATIVO. 50% ABANDONO / 50% ACTIVO NIVEL 4 Y NIVEL 5: BAJO Y MÍNIMO RIESGO DE ABANDONO. Menos del 10% ABANDONO EJEMPLO: PROPENSIÓN DE ABANDONO
    • PERFIL DE AFILIADOS CON ALTA PROPENSIÓN DE ABANDONO CLIENTES TARGET PARA GESTIONAR: NIVEL 1, 2 Y 3
    • I. Implementar algoritmo de Propensión de Abandono. II. Seguir agregando variables al modelo que hoy no son incluidas, ej.: comportamiento de pago. Objetivo predecir de manera mas precisa aún los abandonos y la cantidad de ellos. III. Implementar Segmentación y asociarla a Propensión de Abandono. IV. Monitorear tendencias de afiliados y analizar reportes. V. Diseñar estrategia específica de RETENCION para cada grupo de afiliados con propensión de abandono alta. SUGERENCIAS:
    • DISMINUCION DE CONSUMO?
    • 0 2000 4000 6000 8000 10000 12000 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Importe (IPC) Media Móvil Trimestral ($ IPC) Cota Superior Cota Inferior Período de “Aprendizaje” Período de “Prueba” MEDIDA DE PRUEBA (Media de MMT período test) VISIÓN GRÁFICA: CLIENTES ESTABLES
    • 0 2000 4000 6000 8000 10000 12000 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Período de “Aprendizaje” Período de “Prueba” MEDIDA DE PRUEBA Importe (IPC) Media Móvil Trimestral ($ IPC) Cota Superior Cota Inferior VISIÓN GRÁFICA: DISMINUCIÓN DE CONSUMO
    • VISIÓN GRÁFICA: DISMINUCIÓN DE CONSUMO CAÍDA POR DEBAJO DE COTA INF = 22%
    • 0 2000 4000 6000 8000 10000 12000 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 Período de “Aprendizaje” Período de “Prueba” Importe (IPC) Media Móvil Trimestral ($ IPC) VISIÓN GRÁFICA: INCREMENTO DE CONSUMO Cota Inferior Cota Superior MEDIDA DE PRUEBA
    • VISIÓN GRÁFICA: ¿INCREMENTO DE CONSUMO? INCREMENTO POR ENCIMA DE COTA SUPERIOR = 2%
    • DEFINICIÓN DE ESCENARIOS: Se definen distintos escenarios en relación al nivel de exigencia considerado para la clasificación en cada una de las trayectorias: ¿cuánto cae por debajo de la cota inferior? ¿cuánto sube por encima de cota superior? ESCENARIO NIVEL DE EXIGENCIA I Nulo II 20% por encima/debajo de cotas III 40% por encima/debajo de cotas
    • DEFINICIÓN DE ESCENARIOS: % DE CAÍDA POR DEBAJO DE COTA INFERIOR ESCENARIO I ESCENARIO II ESCENARIO III
    • Sin restricción (Esc. I) Caídas e Incrementos mayores a 20% (Esc. II) Caídas e Incrementos mayores a 40% (Esc. III) 15,746 5,996 2,175 98,019 110,414 115,705 6,137 3,492 2,022 Up Between Down CANTIDAD DE CLIENTES POR CATEGORÍA (PARA DISTINTOS ESCENARIOS)
    • CANTIDAD E IMPORTE DE COMPRAS POR CATEGORÍA Global Between Down Up Escenario I: SIN ESPECIFICACIÓN DE CAÍDA / INCREMENTO Cantidad de Clientes 119.902 98.019 6.137 15.746 $ Prom. Compras Mensual Aprendizaje 4.887,3 4.964,5 5.528,9 4.156,7 $ Prom. Compras Mensual Test 5.342,4 5.137,1 2.544,4 7.710,7 # Prom. Compras Mensual Aprendizaje 6,1 6,1 7,1 5,6 # Prom. Compras Mensual Test 6,3 6,2 3,8 7,8 Escenario II: CAÍDA / INCREMENTO MAYOR A 20% DE COTAS Cantidad de Clientes 119.902 110.414 3.492 5.996 $ Prom. Compras Mensual Aprendizaje 4.887,3 4.961,1 5.152,5 3.373,9 $ Prom. Compras Mensual Test 5.342,4 5.329,2 1.649,5 7.735,1 # Prom. Compras Mensual Aprendizaje 6,1 6,1 6,5 4,6 # Prom. Compras Mensual Test 6,3 6,3 2,5 5,2 Escenario III: CAÍDA / INCREMENTO MAYOR A 40% DE COTAS Cantidad de Clientes 119.902 116.264 2.022 1.616 $ Prom. Compras Mensual Aprendizaje 4.887,3 4.917,5 5.064,3 2.492,2 $ Prom. Compras Mensual Test 5.342,4 5.385,7 1.040,6 7.603,2 # Prom. Compras Mensual Aprendizaje 6,1 6,1 6,4 3,6 # Prom. Compras Mensual Test 6,3 6,3 1,6 6,1
    • Clasificación vs. Predicción CLASIFICACIÓN: Para predecir el valor de un atributo categórico (discreto o nominal). Algunas técnicas son: -Regresión logística -Árboles de Decisión -Support Vector Machine, K Nearest Neighbours, …. PREDICCIÓN: Para modelar funciones que toman valores continuos (esto es, predecir valores numéricos desconocidos). - Regresión múltiple - Árboles de regresión
    • Ejemplos… • Concesión de créditos • Campañas de marketing dirigido • Diagnóstico médico • Detección de fraudes • Predicción de demanda • Predicción del abandono • Predicción de ventas • ….
    • Consideraciones generales Construcción del modelo: muestra de entrenamiento • El conjunto de datos utilizado para construir el modelo predictivo se denomina muestra de entrenamiento. • Cada caso/tupla/muestra corresponde a una clase predeterminada: los casos de entrenamiento vienen etiquetados por su atributo de clase. Uso del modelo: muestra de testeo • El modelo construido a partir del conjunto de entrenamiento se utiliza para clasificar nuevos datos (muestra test)
    • Predicción: Técnicas de regresión Las técnicas de regresión modelan la relación entre una o más variables independientes (predictores) y una variable dependiente (variable de respuesta). Métodos de regresión más populares: Regresión lineal (simple y múltiple) Regresión no lineal Árboles de regresión (p.ej. CART) …
    • La variable dependiente (cuantitativa) y se quiere explicar a través de las variables independientes x1, x2 , …, xn . Regresión lineal errorxb...xbxbby nn22110 Se estiman los coeficientes bi a través del método de mínimos cuadrados (se busca la combinación de coeficientes que minimice el término de error). De esta manera se obtiene la estimación de y: nnxbˆ...xbˆxbˆbˆyˆ 22110 representa cuánto se espera que incremente la variable a explicar y cuando aumenta en 1 unidad la variable explicativa xi . De esta manera se puede identificar cuáles son los predictores que tienen mayor relación e impacto en la variable independiente y. ibˆ
    • Representación gráfica: Regresión lineal simple Se busca la recta que minimice la distancia entre cada punto y la recta (‘la que pasa más cerca de todos los puntos’).
    • VALIDACIÓN: 1. Significación del modelo y parámetros: Se realizan pruebas de hipótesis para verificar si el ajuste del modelo es aceptable, y si los parámetros son significativos. 2. Verificación de supuestos: El ajuste del modelo de regresión requiere que se cumplan algunas condiciones, que deben ser testeadas mediante pruebas de hipótesis adecuadas. Entre los supuestos, encontramos: - el promedio de los errores debe ser 0 - los errores deben seguir la distribución normal - los errores deben ser homocedásticos (estar incorrelacionados y tener la misma varianza) Regresión lineal
    • Etapas para la construcción de una regresión lineal
    • Clasificación: Regresión Logística Objetivo: Explicar una variable cualitativa (categorías) a través de otros factores. Variantes: -Variable a explicar binaria: Regresión Logística Binaria -Variable a explicar múltiples categorías: Regresión Multinomial. Permite: - Identificar qué factores están relacionados con la variable a explicar - Crear una fórmula para ser utilizada en la predicción de futuros valores
    • Regresión Logística Binaria VARIABLE A EXPLICAR: La variable a explicar y se recodifica como 1 (si el suceso que se quiere medir ocurre) y 0 (si no): A través de las variables independientes x1, x2 , …, xn . sucesoelocurrenosi sucesoelocurresi 0 1 y Se construye el modelo para predecir la probabilidad de que ocurra el suceso. Nota: para la estimación de parámetros no se requiere realizar supuestos, por tanto, no deberán verificarse en la instancia de validación.
    • Representación gráfica Se crea la función logística (línea azul) que mejor separe los valores “1” de “0” Probabilidad de ocurrencia del suceso
    • 1. Selección de variables a incluir como predictoras 2. Estimar los parámetros bi asociados a cada variable predictora (mediante método de máxima verosimilitud) 3. Verificar significación de parámetros (prueba de hipótesis). Si un parámetro bk no es significativo, se deduce que dada la presencia del resto de las variables, la variable k no está relacionada a la variable a explicar. 4. Quitar las variables no significativas y volver a estimar los parámetros. Repetir el procedimiento hasta lograr el modelo óptimo. 5. Validar la clasificación utilizando el conjunto de datos de testing. Regresión Logística… Procedimiento
    • La idea es que la regresión logística aproxime la probabilidad de obtener "0" (no ocurre cierto suceso) o "1" (ocurre el suceso) con el valor de las variables explicativas x. La probabilidad estimada del suceso (p) se aproximará mediante una función logística: )xbˆ...xbˆxbˆbˆ( nn e pˆ)Y(P 22110 1 1 1 Para predecir en qué categoría De esta manera, se fija un punto de corte c tal que: 1 0 yˆcpˆ yˆcpˆ
    • VALIDACIÓN: 1. Error de clasificación. Se realizan pruebas de hipótesis para verificar si el ajuste del modelo es aceptable, y si los parámetros son significativos. 2. Verificación de supuestos: No requiere. Regresión lineal
    • PRONOSTICADO Total % aciertoŶ=0 Ŷ=1 OBSERVADO Y=0 # Verdaderos 0 # Falsos 1 # Buenos % Especificidad Y=1 # Falsos 0 # Verdaderos 1 # Malos % Sensibilidad Total # Automatizados # Rechazados # Total analizado % Automatizado % acierto % acierto en automatizados % acierto en rechazados % Malos % Acierto Global Tasa Especificidad = V0/B Tasa Sensibilidad = V1/M Tasa Acierto Global = (V0+V1)/Total Tasa Automatización = (V0+F0)/Total Tasa Acierto en Automatizados = VB/(VB+FB) Tasa Acierto en Rechazados = VM/(FM+VM) El resultado del pronóstico depende básicamente del modelo y del punto de corte seleccionado El resultado observado depende exclusivamente del comportamiento de los clientes y por lo tanto es externo al modelo CALIDAD del PODER PREDICTIVO
    • 0% 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 0.00 0.10 0.20 0.30 0.40 0.50 0.60 0.70 0.80 0.90 1.00 PUNTO DE CORTE P(A) SENSIBILIDAD ESPECIFICIDAD TASA ACIERTO GLOBAL A mayor especificidad (% “1” bien clasificados) desciende la sensibilidad (% de “0” bien clasificados). CALIDAD del PODER PREDICTIVO
    • h El área entre la curva de poder predictivo del modelo para clientes recurrentes y la recta de indiferencia es de h. La curva de poder predictivo del modelo aparea las tasas de Sensibilidad y Especificidad para los diferentes puntos de corte. Cuanto más convexa sea la misma, mayor capacidad de acople entre ambas medidas y por lo tanto mejor ajuste del modelo CALIDAD del PODER PREDICTIVO: Curva Cor
    • Árboles de Clasificación
    • Árboles de Clasificación
    • Se pueden crear distintas conformaciones de árboles a partir de los mismos datos. ¿cuál es el mejor? La que nos proporciona nodos más homogéneos…Necesitamos medir la impureza de un nodo. Existen distintas medidas… - Ganancia de información (Sesgado hacia atributos con muchos valores diferentes. - Criterio de proporción de ganancia (Tiende a preferir particiones poco balanceadas - con una partición mucho más grande que las otras) - Índice de Gini (Funciona peor cuando hay muchas clases y tiende a favorecer particiones de tamaño y pureza similares).
    • 1. Utilizando medidas de distancias se busca, para cada individuo, los k casos más cercanos. 2. Se clasifica al individuo según el “voto” de sus k vecinos más cercanos. 7-nearest neighbor 1-nearest neighbor ? ?Clasifica círculo Clasifica cuadrado k-NN (Nearest Neighbour):
    • CONCLUSIONES
    • LINEAMIENTO GENERAL DE PROYECTO: 2. Actividad: Analizar el comportamiento de los clientes en todas sus dimensiones y obtener la segmentación de la cartera total. 3. Resultado esperado: • Mayor enfoque de la empresa centrado en el cliente • Obtener y administrar mejores resultados al elaborar propuestas específicas al comportamiento de los clientes • Maximizar el retorno de cada cliente. • Mayores ingresos al realizar acertadas ventas cruzadas. 4. Beneficios al utilizar la “nueva información” de sus clientes: • Obtener la ventaja competitiva en el mercado local/regional/internacional. • Facilitar el alineamiento de la organización alrededor del cliente • Focalizar las ventas de acuerdo a las necesidades del cliente 1. Objetivo de empresa: “maximizar el ROI conociendo mejor a mi cliente”.
    • HOJA DE RUTA: Dar un primer paso (una segmentación transaccional o una prueba de cross selling, o una promoción dirigida, etc.) 1. Objetivo claro y alcanzable a nivel de UN. 2. Armar equipo multidisciplinario 3. Definir tiempos, tareas, responsabilidades, resultados esperados y métricas de medición. 4. Implementar, ACCION! 5. Medir los resultados
    • 1. Premisas
    • CLAVES PARA IMPLEMENTACION DE ESTRATEGIA: •Ejemplo: Mantener liderazgo •$$$ y/o •# Clientes, cuentas, otros •Aumentar el Retorno sobre la Inversión (ROI) 1. Premisas: •Liderazgo ejecutivo •Transmitir eficientemente la Estrategia: mapa •Alinear la organización: Unidades de Negocio, Soporte y Dirección •Motivar a empleados: entrenamiento, educación, otros •Integrar la estrategia al planeamiento y presupuesto 2. Definición de Estrategia: •Actividades de distintas Unidades de Negocio, Soporte, Dirección Ejemplo: nuevo canal de ventas. Ventajas? •Imperativo: nivel corporativo con “Rol Activo” en identificar y coordinar oportunidades 3. Sinergía y Alineación:
    • Aumentar el ROI, satisfaciendo al cliente:
    • 2. Estrategia
    • Cómo definimos la “estrategia”? Qué lineamiento deberíamos seguir? Se definen sobre la base de: 1. Aumentar el ROI 2. Crear mayor valor a la empresa Cómo?: Conociendo al Cliente Con qué herramienta?: Marco de trabajo de 4 perspectivas
    • 3. Sinergia y Alineación
    • NECESITAMOS UN EQUIPO MULTIDISCIPLINARIO Y QUE TRABAJEN ALINEADOS Y SINCRONIZADOS:
    • 4. Proceso de Mejora Contínua
    • PROCESO DE MEJORA CONTÍNUA DEL SISTEMA DE GESTIÓN DE CALIDAD SATISFACCIÓN PARTES INTERESADAS SERVICIO REQUISITOS PARTES INTERESADAS
    • 5. Situación Actual Todos los sectores de la industria “Las relaciones pueden ser manejadas”
    • Las Tres Dimensiones de la Relación Sobre estas tres dimensiones es posible trabajar a nivel individual Duración (en el tiempo) Profundidad (cantidad de cada prod.) Alcance (cantidad de productos) Existe una relación positiva entre estas tres dimensiones Retención Venta Cruzada Venta en Profundidad
    • 6. Cómo conocemos profundamente al Cliente? Con Minería de Datos
    • ¿QUÉ ES MINERIA DE DATOS? • Es la exploración y análisis de grandes cantidades de datos con el objetivo de descubrir patrones significativos de comportamiento de clientes que están ocultos. • Cada interacción con el cliente es una oportunidad de aprendizaje. Lo importante es que sea registrado y contar con las herramientas para analizarlo. Data Warehouse es la memoria de la institución. Data Mining, su inteligencia.
    • COMPORTAMIENTO Transacciones Historia transaccional y tendencias de utilización de los servicios Participación en promociones MI CLIENTE DESCRIPTIVOS Características Socio y geo demográficos ACTITUDINALES Opiniones Preferencias Necesidades Deseos
    • Analítica tiene poder de decisión: Retención Cliente Respuesta Campañas Tasas de Adquisición Conversión Online Fraude CrimenGastos Riesgo
    • 7. Automatizamos y Medimos….
    • Data Warehouse Fuentes propias y/o externas SQL, Oracle, MySQL Herramienta estadística genera: 2. Procesos de Automatización: 1. Algoritmo del modelo: Aplicación tecnológica 3. Reportes y listados:
    • EJEMPLO: TENDENCIA DE VENTAS ($URUG. Y #) DE NUEVAS CUENTAS CORRIENTES EN LA SUCURSAL CORDÓN DURANTE EL MES OCTUBRE 2009 (DÍA A DÍA Y EN COMPARACIÓN CON OCT. 2008):
    • HASTA AHORA…..: Mejores decisiones operacionales resultan en aumento del ROI Modelos Predictivos pueden mejorar las decisiones operacionales Se necesita: Dar el primer paso........ Enfocarse en acciones....... Rápida implementación....... Unidades de Negocio y Sistemas comprometidos (Equipo multidisciplinario) Transmitir la experiencia y motivar.......
    •  Para MARKETING  Aumentar significativamente la cantidad y efectividad de Campañas.  Mejorar la rentabilidad de acciones focalizadas.  Aprovechar oportunidades puestas en evidencia por el comportamiento de sus Clientes.  Producir resultados inmediatos de retención y cross-selling.  Para SISTEMAS  Resolver con una solución llave en mano e integrada los requerimientos de la nueva dinámica de negocio  Para la GESTION  Automatizar procesos analíticos aplicando esta información a una herramienta de Gestión de Marketing Relacional de múltiples indicadores de performance.  Para el NEGOCIO  Maximizar el ROI mediante la identificación, retención y crecimiento de los mejores Clientes. Aplicaciones de Minería de Datos….hasta ahora nos pueden ayudar en lo siguiente:
    • MUCHAS GRACIAS!