El arte de convertir Datos en Acciones

Churn Analysis: ejemplo aplicado desde el Data Mining

Churn Analysis. Supongamos un ejemplo sencillo que facilmente podras implementar en tu organización.

La extracción de los datos

De las BBDD de organizacion extraemos (ETL) un DataSmart (tabla) con los siguientes atributos (denominadas también variables, caracteristicas, campos, columnas, etc) del cliente:

  • “edad cliente”,
  • “tiempo desde la ultima compra”,
  • “frecuencia de compra”,
  • “valor clientes” y
  • “status del cliente”.

Churn analysis como problema de clasificación

Este “churn analysis” se trata de un problema de clasificación, ya que queremos determinar si el cliente esta perdido o no (status cliente), basandonos en los valores de las otras variables (edad, tiempo desde la última compra, etc). Es decir, teniendo en cuenta la información que hay en las BBDD queremos generar un sistema para clasificar a los clientes de tal manera que nos permita establecer acciones comerciales para alargar la vida de los clientes y no perderlos.

clasificacion

El problema de clasificación

En un problema de clasificación, el atributo a determinar se denomina clase. En esta ejemplo el atributo “status del cliente” es la clase y en este ejemplo tiene los valores “cliente actual” o “perdido” . Evidentemente los criterios para decidir que un cliente esta perdido dependerá de cada negocio.

Dipondremos de n instancias o casos, una para cada cliente. De cada caso dispondremos los valores de las diferentes variables y el valor de la clase.

El data mining

El data mining se basa en utilizar diferentes tipos de algoritmos, en función de los objetivos y del tipo de variables disponibles

arbol de decision

La estructura del árbol de decisiones

Podemos utilizar un algoritmo de “arbol de decision” (decision tree), aunque tambien podemos utilizar otros tipos ( “Bayes”, “reglas de clasificion”, algoritmos “Lazy”, etc).

En el caso de un “arbol de decisión” tenemos que determinar que variables son relevantes para la clasificación. En un arbol de decisión lo que hacemos son test a diferentes niveles del arbol, y en función del resultado del test, este continua por una rama o por otra. Asi hasta llegar a la clase en la que se decidirá si es “cliente” o perdido.  “perdido”).

El modelo y su uso

En la fase de training procederemos a entrenar el algoritmo con los datos que tengamos y el algoritmo selecionado. El resultado de la fase training nos dara el modelo, un arbol de decisiones del tipo:

  • test 1: “Edad del Cliente> 40 años”:
    • >Respuesta Si: Entonces test 2: “Tiempo desde la ultima compra >10″
      • Respuesta Si: clase = “Perdido”
      • Respuesta No: clase = “Cliente”
    • >Respuesta No: Entonces test 3: “Frecuencia de compra >3″
      • Respuesta Si: clase = “Cliente”
      • Respuesta No: clase = “Perdido”

Evidentemenet ahora tocará comprobar la credibilidad del resultado, relevancia y que lo aprendido estadísticamente significativo.

Si es asi, este resultado nos permite hacer dos cosas respecto al churn analysis:

  • Utilizar el modelo aprendido para determinar la clase del resto de clientes o clientes futuros,  decidiendo si continuan siendo “clientes” o estan “perdidos”
  • También el modelo me permite plantear dos acciones comerciales diferencias y concretas, para los casos en los que pierdo los clientes:
    • Clientes con más de 40 años, que ya hace más de 7 que no me compran (a más de 10 los pierdo)
    • Clientes con menos de 40 años que solo llevan dos compras (si no llegan a 3 los pierdo)

Seguramente se podra continuar con el análisis basándose en estos resultados, dando respuesta preguntas del tipo: ¿cómo son lo mayores de 40 años?, ¿qué les gusta?, etc

Fijaros también que la variable “valor del cliente”, que nosotros hemos incluido en el DataSmart porque creiamos que era importante, el arbol de decisones, en este ejemplo, no la ha considerado relevante.

Churn analysis ¿Qué otras cosas podrias hacer para no perder un cliente?

No se han encontrado comentarios

Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos necesarios están marcados *

Puedes usar las siguientes etiquetas y atributos HTML: <a href="" title=""> <abbr title=""> <acronym title=""> <b> <blockquote cite=""> <cite> <code> <del datetime=""> <em> <i> <q cite=""> <s> <strike> <strong>