Introducción a Modelos Predictivos de Fuga de Clientes

6,406 views

Published on

Una introducción básica sobre el desarrollo de modelos predictivos de Fuga de Clientes (Churn) para acciones de retención temprana.

Hugo Cisternas
hcisternas@gmail.com

Published in: Business, Technology
1 Comment
5 Likes
Statistics
Notes
No Downloads
Views
Total views
6,406
On SlideShare
0
From Embeds
0
Number of Embeds
20
Actions
Shares
0
Downloads
0
Comments
1
Likes
5
Embeds 0
No embeds

No notes for slide

Introducción a Modelos Predictivos de Fuga de Clientes

  1. 1. Construcción de Modelos predictivos de Fuga de clientes<br />Hugo Cisternas<br />1<br />
  2. 2. Fundamento básico de la experiencia humana<br />El futuro próximo será parecido al pasado reciente<br />a nivel de experiencia individual<br />a nivel de experiencia social<br />El comportamiento futuro de un individuo será parecido a su comportamiento pasado<br />Los sucesos futuros serán parecidos a los sucesos del pasado reciente<br />2<br />
  3. 3. Ejemplo<br />Si otras condiciones se mantienen, esperamos que:<br />La tasa de ventas será parecida al pasado<br />Excepto que iniciemos una campaña, para la que tenemos alguna predicción respecto a su tasa de respuesta<br />La tasa de incorporaciones será similar al pasado<br />La tasa de abandono no será significativamente diferente al pasado<br />3<br />
  4. 4. Predicción de fuga<br />Herramienta para estimar la probabilidad de<br />Fuga dentro de los próximos 6, 9 o 12 meses<br />Caer en inactividad en los próximos meses <br />Abandono temprano, al momento de solicitud<br />Abandono temprano al solicitar sobregiros, autorizaciones, etc.<br />4<br />
  5. 5. ¿Qué datos son importantes?<br />Todos los datos pueden ser importantes<br />El análisis debe omitir prejuicios respecto a la importancia de un ítem de dato<br />No todos los datos serán igualmente importantes<br />Existen interacciones entre algunos datos<br />Las personas mayores, en general, tendrán mayor antigüedad en el empleo<br />Propietarios de casa, en general, tendrán sueldos mayores que los que arriendan<br />Los solteros, en general, tendrán menos cargas familiares<br />Quienes viven en Las Condes tendrán, en general, sueldos mas altos que quienes viven en Pudahuel<br />Al comienzo, el grado de interacción no se conoce<br />5<br />
  6. 6. Primer paso<br />Armar el set de datos a analizar:<br />Obtener un conjunto de clientes con resultado conocido<br />6<br />“activos”<br />Set de Datos<br />Vigentes<br />Clientes<br />Ex clientes<br />“fugados”<br />
  7. 7. Conjunto de datos para análisis<br />Establecer línea de tiempo base<br />Obtener datos conocidos al comienzo<br />Marcar resultado al final de período de estudio<br />7<br />Activos<br />6 meses<br />9 meses<br />12 meses<br />Final<br />Inicio<br />Fugados<br />
  8. 8. Contar<br />Para cada ítem de datos<br />En cada categoría<br />¿Cuantos “activos” hay?<br />¿Cuantos “fugados” hay?<br />Ejemplo:<br />¿Cuantos hombres resultaron activos?¿fugados?<br />¿Cuantas mujeres resultaron activas?¿fugados?<br />¿Cuantos solteros resultaron activos?¿fugados?<br />¿Cuantos casados resultaron activos?¿fugados?<br />8<br />
  9. 9. Ejemplo<br />Muestra de 1.000 activos y 1.000 fugados<br />Género<br />9<br />
  10. 10. Ejemplo: Género<br />10<br />
  11. 11. Ejemplo: Género<br />Calcular los “momios” o “chances” de fugarse en cada caso<br />Las chances son 2 a 1 que un hombre se fugue<br />Las chances son 1/2 a 1 que una mujer se fugue<br />11<br />
  12. 12. Ejemplo Estado Civil<br />Contar los “activos” y “fugados” para cada característica<br />Ejemplo:<br />12<br />
  13. 13. Análisis de características<br />Calcular porcentaje de Bueno y fugados en cada categoría.<br />Calcular las chances de ser bueno en cada categoría<br />13<br />
  14. 14. Re categorización<br />Algunas categorías no contienen suficientes casos.<br />Agrupar todas en una categoría.<br />El caso de información faltante<br />Dejar aparte (no se pueden sacar conclusiones)<br />Incluir en el análisis (aporta información)<br />14<br />
  15. 15. Ejemplo: Antigüedad<br />15<br />
  16. 16. Ejemplo: Antigüedad<br />16<br />
  17. 17. Ejemplo: Antigüedad<br />17<br />Re-categorización<br />
  18. 18. Desarrollo del Score<br />18<br />
  19. 19. Distribución de Puntajes<br />Porcentaje de activos y fugados según puntaje:<br />19<br />
  20. 20. Distribución de Puntajes<br />Distribución (suavizada) de activos y fugados por puntaje:<br />Promedio fugados: 300 puntos<br />Promedio activos: 500 puntos<br />activos<br />fugados<br />20<br />
  21. 21. Punto de Corte<br />Punto de Corte es el puntaje bajo el cual se considerará un potencial abandono<br />21<br />Ejemplo: <br />punto de corte en 150<br />
  22. 22. Distribución real<br />Distribución de acuerdo a la cantidad total de individuos en categoría fugados y activos:<br />22<br />
  23. 23. Comparación entre dos sistemas de scoring<br />23<br />

×