Tareas como la identificación de los prospectos para campañas focalizadas, la predicción de qué clientes tienen una probabilidad significativa de cese o mora, cuál sería la tasa de respuesta de una campaña de ventas, la tasa de adquisición de un nuevo producto o servicio, y tantas otras son rutinariamente realizadas dentro de ambas disciplinas. Las herramientas principales son el desarrollo de modelos predictivos basados en técnicas estadísticas que, a partir de una caracterización individual de cada cliente, pueden predecir la probabilidad de que este incurra en algún suceso deseado o no deseado.
Sin embargo, las técnicas habituales sufren de ciertas limitaciones que le dificultan a un analista generar predicciones más precisas o beneficiosas, o dar respuesta a problemas tan importantes como los anteriores.
La mayoría de las técnicas típicas seleccionan un conjunto de personas o clientes según la probabilidad de ocurrencia de un determinado suceso (respuesta, activación, churn, etc.). Sin embargo, es posible una perspectiva que haga un mejor uso de lo que sabemos de los clientes, es decir, un enfoque menos “miope”. En base a lo que conocemos de cada cliente podemos asociar a cada uno un “valor”. En una perspectiva a mediano plazo, ese valor está asociado a su ciclo de vida como cliente. Una persona que tenga una probabilidad alta de responder a una campaña de marketing, pero que se encuentra en la zona de “declinación” de su ciclo de vida, puede ser un target seleccionable, aunque no tan interesante como otra persona con una probabilidad de respuesta menor pero que recién inicia la relación y tiene una amplia perspectiva de cross-selling y upselling durante un plazo de mediana duración. El valor de tiempo de vida de esta segunda persona es bastante mayor que el de la primera, de modo que estaríamos dispuestos a invertir en contactarlo (aun cuando su probabilidad de respuesta sea menor) en vista de futuras ganancias. Estas consideraciones permiten que un modelo predictivo pueda ser más efectivo y beneficioso en un mediano plazo (algunos pocos años). Para un cálculo apropiado del valor de tiempo de vida necesitamos complementar las técnicas tradicionales con otras más aptas para modelizar los factores temporales involucrados.
Por otro lado, aunque en relación con lo anterior, existe un conjunto grande de preguntas que los modelos predictivos convencionales no pueden contestar. Por ejemplo, ¿cuánto tiempo durará la relación con un cliente?, ¿cuándo empezar a preocuparse si un cliente no se reactiva, no responde, no cancela una cuota, etc.?, ¿cuándo ocurrirá la próxima transacción, compra, consulta, etc. de un cliente?, ¿cuál es el efecto de diversos factores sobre la duración de la relación con el cliente?, y otras tantas preguntas por el estilo. Lo que todas estas preguntas y los cálculos de valor de tiempo de vida del cliente tienen en común es la necesidad de incorporación efectiva de un análisis de la dimensión temporal.
Los métodos tradicionales en marketing y en data mining sirven para predecir la ocurrencia de sucesos específicos en un intervalo relativamente corto de tiempo, no cuándo ocurrirán distintos tipos de sucesos (por ejemplo, sirven para predecir qué clientes desertarán el próximo mes, pero no para pronosticar cuándo desertarán nuestros clientes dentro de los dos próximos años). Los métodos tradicionales para tratar los fenómenos temporales, el llamado análisis de series de tiempo, tiene el enfoque equivocado desde el punto de vista del marketing: trata los sucesos de un modo agregado (el número total de clientes que realizará alguna conducta), perdiendo de vista el foco en el individuo (cuándo un cliente determinado realizará la conducta).
A nivel conceptual, las herramientas del análisis de supervivencia son el riesgo (solo una probabilidad condicional) y la supervivencia (la probabilidad acumulada de que un suceso no ocurrirá). Las curvas de riesgo y de supervivencia son herramientas gráficas y analíticas fundamentales para modelizar el ciclo de vida de los clientes, cuantificar factores como la retención (fundamental para el cálculo del tiempo de vida) usando medidas como el tiempo de vida medio de un cliente, detectar sucesos conocidos o inesperados, etc. Otras técnicas, permiten realizar una diversidad de análisis: estratificación en las curvas de supervivencia para determinar el efecto de distintas causas sobre un suceso y su tiempo de ocurrencia, ventanas temporales para resolver problemas de truncado izquierdo (fenómeno frecuente que ocurre cuando se pierde información histórica de los clientes debido, por ejemplo, a migraciones de las bases de datos, algo que afecta perjudicialmente a muchos análisis estadísticos), métodos de regresión especiales (la regresión de Cox y otras surgidas de esta) para la modelización del efecto de covariables y riesgos competidores sobre el suceso de interés, y tantas otras.
En síntesis, ya sea para adoptar criterios de selección de clientes más provechosos en un mediano plazo como para incorporar los aspectos temporales de tantos fenómenos de interés en el mundo del marketing o el data mining, es preciso complementar las técnicas tradicionales con las provenientes del análisis de supervivencia. La sinergia de ambas permite un análisis de mayor amplitud y precisión que resulta muy favorable en el área de inteligencia de negocios.
Vía | SAS Argentina
