Escolar Documentos
Profissional Documentos
Cultura Documentos
ANALYTICS - TARGETING
1. Quienes son mis clientes objetivos?
AGENDA
Analítica predictiva
QUÉ PUEDO PRONOSTICAR DE MIS CLIENTES
CON MODELOS PREDICTIVOS?
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.
Grupo control
50 clientes con ese perfil
RENTABILIZAR LOS MODELOS
-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
-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
X1: Ingresos
Probabilidad de
pertenencia a una
clase
Sensibilidad Especifidad
Indicadores de Evaluacion
Evaluación de modelos predictivos
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