INTRODUCCION A MARKETING

ANALYTICS - TARGETING
1. Quienes son mis clientes objetivos?
AGENDA

 Puedo predecir las acciones de mi cliente de compra o

abandono?
 Qué necesito para realizar un modelo scoring?
 Modelamiento estadísticos
 Estrategias comerciales sobre modelo scoring
Puedo predecir las acciones de mi
cliente de compra o abandono?

Copyright © 2012, SAS Institute Inc. All rights reserved.

LAS DECISIONES TOMADAS EN
MARKETING SON POR INSTINTO?

Algunas veces se acierta

pero en la gran mayoría
a conllevado a perdidas

Durante años las

empresas han tomado
decisiones basados en
sus instintos
LA GRAN PREGUNTA

Cómo puedo utilizar la información del cliente

para refinar mis acciones comerciales?

Analítica predictiva
QUÉ PUEDO PRONOSTICAR DE MIS CLIENTES
CON MODELOS PREDICTIVOS?

Mejor manera de buscar nuevos clientes

Definir la oferta adecuada según el perfil del cliente
Alertar de quienes de nuestros clientes necesitan mayor
atención
ANALÍTICA PREDICTIVA
Aplicación
Campaña histórica

Datos del cliente Respuesta

Aprendizaje
ANALÍTICA PREDICTIVA
2 MODELOS PREDICTIVOS
Árbol de clasificación Regresión Logística
ANALÍTICA PREDICTIVA
PRONOSTICAR LA COMPRA
Edad
Genero
Días desde última visita (R)
Frecuencia (F)
Monto de compra (M) El perfil de cliente más
probable de visita es:
Clientes hombres de 27-34
años, que han venido más 5
veces
120 clientes con ese perfil
SHOW ME THE MONEY
ANALÍTICA PREDICTIVA Objetivo
Incrementar el consumo de
los clientes fieles en 3 meses
Hola Carlos,
En Redys nos encanta recibirte siempre por ello en
tu siguiente visita de Febrero ven con un amigo
y nosotros le invitamos ¼ de pollo acompañado de Grupo piloto
bebida.
Redys premia y agradece tu confianza, cuídate y
nos vemos pronto.

50 clientes con ese perfil

Grupo control
50 clientes con ese perfil
RENTABILIZAR LOS MODELOS

Hoja de escenario comercial de

piloto
Qué necesito para construir un modelo
predictivo?

Copyright © 2012, SAS Institute Inc. All rights reserved.

CHECKLIST ELEMENTO PARA UN MODELO
Venta
Definir el objetivo de pronostico

Tener almacenada información histórica

previa al evento
Mes del
evento

-6 -5 -4 -3 -2 -1 0 1

Evaluación de comportamiento:
Compras
Nro. visitas
Días desde la última compra
Datos demográfica
MUCHA O POCA HISTORIA?
1
Dic-17

1
Nov-17 Pronosticar qué clientes van a
1 comprar mis productos en
Oct-17 Diciembre 2017
1
Set-17

1
Ago-17

1
Jul-17

1
Jun-17

1
May16
MUCHA O POCA HISTORIA?
-6 -5 -4 -3 -2 -1 0 1
May-16 Jun-17 Jul-17 Ago-17 Set-17 Oct-17 Nov-17 Dic-17

-6 -5 -4 -3 -2 -1 0 1
Abr-16 May- Jun-17 Jul-17 Ago-17 Set-17 Oct-17 Nov-17
16
-6 -5 -4 -3 -2 -1 0 1
Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17 Set-17 Oct-17

-6 -5 -4 -3 -2 -1 0 1
Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17 Set-17

-6 -5 -4 -3 -2 -1 0 1
Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17

-6 -5 -4 -3 -2 -1 0 1
Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17

-6 -5 -4 -3 -2 -1 0 1
Nov-15 Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17

-6 -5 -4 -3 -2 -1 0 1
Oct-15 Nov-15 Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16
APRENDER DE TODA LA HISTORIA?
-6 -5 -4 -3 -2 -1 0 1
May-16 Jun-17 Jul-17 Ago-17 Set-17 Oct-17 Nov-17 Dic-17

-6 -5 -4 -3 -2 -1 0 1
Abr-16 May- Jun-17 Jul-17 Ago-17 Set-17 Oct-17 Nov-17
16
-6 -5 -4 -3 -2 -1 0 1
Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17 Set-17 Oct-17

-6 -5 -4 -3 -2 -1 0 1
Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17 Set-17

-6 -5 -4 -3 -2 -1 0 1
Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17

-6 -5 -4 -3 -2 -1 0 1
Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17

-6 -5 -4 -3 -2 -1 0 1
Nov-15 Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17

-6 -5 -4 -3 -2 -1 0 1
Oct-15 Nov-15 Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16
 APRENDER DE TODA LA HISTORIA?
-6 -5 -4 -3 -2 -1 0 1
Evaluar modelo May-16 Jun-17 Jul-17 Ago-17 Set-17 Oct-17 Nov-17 Dic-17

-6 -5 -4 -3 -2 -1 0 1
Abr-16 May- Jun-17 Jul-17 Ago-17 Set-17 Oct-17 Nov-17
16
-6 -5 -4 -3 -2 -1 0 1
Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17 Set-17 Oct-17

-6 -5 -4 -3 -2 -1 0 1
Aprender y

Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17 Set-17

probar

-6 -5 -4 -3 -2 -1 0 1
Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17 Ago-17

-6 -5 -4 -3 -2 -1 0 1
Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17 Jul-17

-6 -5 -4 -3 -2 -1 0 1
Nov-15 Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16 Jun-17

-6 -5 -4 -3 -2 -1 0 1
Oct-15 Nov-15 Dic-15 Ene-16 Feb-16 Mar-16 Abr-16 May16
EL RESULTADO DE UN MODELO DE
CLASIFICACIÓN ES LA PROBABILIDAD

Listado probabilidad
Modelamiento estadístico

Copyright © 2012, SAS Institute Inc. All rights reserved.

Regresión Logística
El problema Data histórica Representación gráfica
L1

X1: Ingresos
Probabilidad de
pertenencia a una
clase

Para el ejemplo visual definamos :

X2: Endeudamiento
Variable Y
Regresión Logística
Regresión Logística
Problemas de clasificación complejos
Árbol de clasificación
Evaluación de modelos predictivos

Sensibilidad Especifidad

Indicadores de Evaluacion
Evaluación de modelos predictivos

AUC Poder predictivo

1.0 o 100% Predicción perfecta!
≥90% Excelente
≥80% y <90% Bueno
≥70% y <80% Aceptable
≥60% y <70% Regular
50% Aleatorio
Comparación de 2 modelos predictivos
Estrategias comerciales sobre modelos
scoring

Copyright © 2012, SAS Institute Inc. All rights reserved.

ESTRATEGIA GESTIÓN PRIORIZADA VENTA
Nro. Efectividad
Score
Ofertas esperada
1 321 3.6%
2 563 2.1% Ofrecer el producto solo a los
3 1456 1.8% mejores prospecto

4 2514 1.0%
5 5214 0.5%
Total 10068 1.2%
ESTRATEGIA PAGO DE COMISIONES
DIFERENCIADO EN VENTAS
Nro. Efectividad
Score
Ofertas esperada
1 321 3.6%
2 563 2.1%
3 1456 1.8%
4 2514 1.0%
5 5214 0.5%
Total 10068 1.2%
ESTRATEGIA RETENCIÓN PREMIACIÓN
ESCALONADA
Nro. Ratio de
Score
Ofertas fuga
1 321 3.6%
2 563 2.1%
3 1456 1.8%
4 2514 1.0%
5 5214 0.5%
Total 10068 1.2%
ESTRATEGIA OFERTA MULTIPRODUCTO

Score de Score de
Score de Score de
Cliente Seguro Cta de
préstamo fuga
Vehicular ahorro
Raúl 2 3 4 5
Grecia 4 1 4 5
Carmen 1 2 4 4
Gonzalo 5 4 1 1
Erika 5 5 2 4