Predecir qué clientes están por irse es uno de los usos más comunes del aprendizaje automático en los negocios. También es uno de los más desaprovechados. Los equipos celebran un modelo de excelente precisión, la campaña se envía a una lista elegida por costumbre y, un año después, nadie puede decir si la inversión rindió.
Traduzca el modelo a dinero
Cuatro números convierten un modelo de abandono en un caso de negocio: cuántos clientes se irían, el valor de retener a uno, la proporción de clientes en riesgo contactados que la oferta realmente salva y el costo de cada contacto. Ordene a los clientes según la puntuación de riesgo del modelo y, para cada tamaño posible de campaña, calcule el valor salvado menos el costo de contactarlos.
Contactar a todos gana 90 mil. Contactar al 46% de los clientes que el modelo clasifica como de mayor riesgo gana unos 151 mil, dos tercios más, con menos de la mitad de los contactos. El mismo 46% elegido al azar ganaría solo unos 41 mil. Más allá del óptimo, cada contacto adicional cuesta más de lo que salva, porque los clientes restantes difícilmente se habrían ido.
Tres refinamientos que agregan valor
- Valor, no solo riesgo: un cliente con un 30% de riesgo que vale diez veces más merece una llamada antes que uno con un 60% de riesgo y bajo valor.
- Quién puede ser persuadido: los modelos de uplift estiman quién cambia su comportamiento gracias a la oferta, para no pagar por retener clientes que se habrían quedado, ni provocar a los que no.
- Mantenga siempre un grupo de control: una pequeña proporción aleatoria de clientes de alto riesgo que no se contacta es la única prueba confiable de lo que ganó la campaña.
El aprendizaje automático crea valor solo cuando cambia una decisión. En el abandono de clientes, la decisión es a quién contactar y con qué oferta, y la medida correcta del éxito es la utilidad de esa decisión, verificada frente a un grupo de control.
Bartor S.
Fundador
