Modelos de Puntuación para priorizar acciones

Los modelos de puntuación ayudan a decidir sobre qué elementos tenemos que actuar de manera prioritaria en función de la puntuación que obtengan. Por ejemplo, podemos crear un modelo de puntuación para evitar que los empleados se marchen de la empresa en el que la puntuación dependerá tanto de la probabilidad de marcharse como del desempeño (actuaremos primero sobre aquellos empleados que tengan una mayor probabilidad de marcharse y que sean importantes para la empresa). Los modelos de puntuación también resultan bastante útiles en el ámbito del marketing; por ejemplo, podemos puntuar a los clientes basándonos en su probabilidad de responder de forma positiva a una llamada de telemarketing y, en función de los recursos que tengamos, llamar únicamente a los primeros “X” clientes.

El modelo que voy a proponer es un modelo de puntuación del valor de los clientes en función de la probabilidad de que compren un producto y del importe que probablemente acaben gastando. Este modelo es el resultado de dos submodelos:

• Probabilidad de compra: Utilizaremos una regresión logística para calcular la probabilidad de compra de un cliente durante el siguiente periodo (te podría interesar mi post sobre el modelo RMF o sobre cómo realizar una regresión logística en Excel);
• Importe: Utilizaremos una regresión lineal para calcular el importe que seguramente acabe gastando cada cliente en su próxima compra (revisa mi post sobre la regresión lineal en Excel).

El primer paso consiste en elegir las variables de predicción. En nuestro caso, sugiero que utilicemos la recencia, la primera compra, la frecuencia, el importe medio, y el importe máximo del año -2, aunque podríamos probar variables distintas o adicionales. La variable objetivo sería una variable binaria que representa si el cliente ha realizado una compra durante el siguiente periodo (año -1). Llevamos a cabo una regresión logística con la transformación eventual de variables y tras comprobar que se cumplen todos los supuestos  necesarios (requisitos para una regresión).

El último paso consiste en juntar las dos regresiones para puntuar a los clientes en función de su probabilidad de compra y del importe que seguramente acaben gastando. Utilizaremos los coeficientes de regresión para las estimaciones de cada cliente. En la regresión lineal, sumamos directamente el punto de intercepción y multiplicamos los coeficientes de las variables por los valores reales de cada cliente para estimar el importe.

 Importe estimado = Punto de intercepción + Coeficiente 1 * Variable 1 + Coeficiente 2 * Variable 2.

 Debemos ser conscientes de que si hemos transformado algunas de las variables, no podemos simplemente multiplicar el coeficiente sino que deberíamos hacer algunos cálculos adicionales.

Sin embargo, en la regresión logística, deberíamos utilizar la función exponencial para calcular las probabilidades reales de que ocurra la compra:

Probabilidad = 1 / (1 + exp(- (coeficiente del punto de intercepción + coeficiente de la variable 1 * variable 1 + coeficiente de la variable n * variable n)))

Ahora que ya tenemos dos columnas adicionales en nuestra base de datos, solo necesitamos añadir una tercera para la puntuación final, que será la probabilidad de compra multiplicada por el importe estimado . Con este indicador, podremos o bien clasificar a nuestros clientes (para priorizar la asignación de recursos y las campañas de marketing para algunos clientes) o utilizarlo para calcular los ingresos de los próximos periodos.

 Aquí tienes la plantilla con este ejemplo y los cálculos que utilicé. Sólo necesitas darte de alta…