Machine Learning Aplicado ver la vida útil del cliente a partir de señales transaccionales

El mayor desafío que enfrenta todo vendedor es cómo gastar mejor el dinero para hacer crecer su marca de manera rentable. Queremos gastar nuestros dólares de marketing en actividades que atraigan a los mejores clientes, mientras evitamos gastar en clientes no rentables o en actividades que erosionen el valor de la marca.

Con demasiada frecuencia, los profesionales de la mercadotecnia se fijan en la eficiencia del gasto. ¿Qué es lo mínimo que puedo gastar en publicidad y promociones para generar ingresos? Centrarse únicamente en la métrica del retorno de la inversión puede debilitar el valor de la marca y hacer que se dependa más de la promoción de precios como forma de generar ventas.

Dentro de su actual conjunto de clientes hay personas que van desde los leales a la marca hasta los transitorios de la misma. Los leales a la marca están muy comprometidos con su marca, están dispuestos a compartir su experiencia con los demás y son los que tienen más probabilidades de volver a comprar. Los transeúntes de la marca no son leales a su marca y compran en base al precio. Lo ideal sería que su gasto en marketing se centrara en hacer crecer el grupo de fieles a la marca, mientras se minimiza la exposición a los transitorios de la marca.

Entonces, ¿cómo puede identificar a estos leales a la marca y utilizar mejor su dinero de marketing para prolongar su relación con usted?

El cliente de hoy en día no tiene escasez de opciones. Para destacarse, las empresas necesitan hablar directamente de las necesidades y deseos del individuo al otro lado del monitor, el teléfono o la estación, a menudo de manera que reconozca no sólo al cliente individual sino también el contexto que lo trae al intercambio.

Cuando se hace de manera adecuada, el compromiso personalizado puede generar mayores ingresos, eficiencia en la comercialización y retención de clientes1, y a medida que las capacidades maduren y las expectativas de los clientes aumenten, la personalización correcta será cada vez más importante. Como dice McKinsey & Company, la personalización será «el principal impulsor del éxito de la comercialización en los próximos cinco años2».

Pero un aspecto crítico de la personalización es comprender que no todos los clientes tienen el mismo potencial de rentabilidad. No sólo los diferentes clientes obtienen un valor diferente de nuestros productos y servicios, sino que esto se traduce directamente en diferencias en la cantidad total de valor que podríamos esperar a cambio.

Para que la relación entre nosotros y nuestros clientes sea mutuamente beneficiosa, debemos alinear cuidadosamente los costos de adquisición de los clientes (CAC) y las tasas de retención con los ingresos totales o el valor de vida del cliente (CLV) que podríamos recibir razonablemente a lo largo de la vida de esa relación.

Esta es la motivación central detrás del cálculo del valor de vida del cliente. Al calcular la cantidad de ingresos que podríamos recibir de un cliente determinado a lo largo de la vida de nuestra relación con él, podríamos adaptar mejor nuestras inversiones para maximizar el valor de nuestra relación para ambas partes.

Podríamos tratar de entender por qué algunos clientes valoran más nuestros productos y servicios que otros y orientar nuestros mensajes para atraer a más individuos con mayor potencial. También podríamos utilizar CLV en conjunto para evaluar la eficacia general de nuestras prácticas de comercialización en la construcción de la equidad y supervisar cómo la innovación y los cambios en el mercado la afectan a lo largo del tiempo3.

Pero por muy poderoso que sea CLV, es importante que apreciemos que se deriva de dos estimaciones separadas e independientes. La primera de ellas es el gasto por transacción (o el valor promedio del pedido) que podemos esperar ver de un cliente determinado. La segunda es el número estimado de transacciones que podemos esperar de ese cliente en un horizonte de tiempo determinado.

Esta segunda estimación se considera a menudo un medio para alcanzar un fin, pero a medida que las organizaciones desplazan sus gastos de comercialización de la adquisición de nuevos clientes hacia la retención5, se vuelve increíblemente valiosa por derecho propio.

Cómo los clientes señalan su intención de por vida

En los escenarios no contractuales dentro de los cuales la mayoría de los minoristas interactúan, los clientes pueden ir y venir a su antamente. Los minoristas que intentan evaluar la vida útil restante en una relación con el cliente deben examinar cuidadosamente las señales transaccionales generadas anteriormente por los clientes en términos de la frecuencia y la rectitud de su compromiso.

Por ejemplo, un comprador frecuente que ralentiza su patrón de compras o simplemente no reaparece durante un período prolongado de tiempo puede indicar que se está acercando al final de su vida útil de la relación. Otro comprador que infrecuentemente participa puede seguir en una relación viable incluso cuando está ausente por una duración similar.

Comprender dónde está un cliente en la vida útil de su relación con nosotros puede ser fundamental para entregar los mensajes correctos en el momento adecuado. Los clientes que señalan su intención de estar en una relación a largo plazo con nuestra marca, pueden responder positivamente a ofertas de mayor inversión que profundizan y fortalecen su relación con nosotros y que maximizan el potencial a largo plazo de la relación incluso mientras sacrifican los ingresos a corto plazo.

Los clientes que señalan su intención de una relación a corto plazo pueden ser empujados por ofertas similares o peor pueden aceptar esas ofertas sin ninguna esperanza de que podamos recuperar la inversión.

Aprovechando mlflow, una plataforma de administración e implementación de modelos de Machine Learning, podemos asignar fácilmente nuestro modelo a interfaces de programa de aplicaciones estandarizadas.

Aunque mlflow no admite de forma nativa los modelos generados por las vidas, se extiende fácilmente para este propósito. El resultado final de esto es que podemos convertir rápidamente nuestros modelos entrenados en funciones y aplicaciones que permiten la puntuación periódica, en tiempo real e interactiva de las métricas de esperanza de vida de los clientes.

Del mismo modo, podemos reconocer cambios en las señales de relación, como cuando los clientes de larga duración se acercan al final de su vida útil de relación y promueven productos y servicios alternativos que los convierten en una nueva relación potencialmente rentable con nosotros mismos o con un socio.

Incluso con nuestros clientes de corta duración, podríamos considerar la mejor manera de ofrecer productos y servicios que maximicen los ingresos durante su compromiso de tiempo limitado y que les permitan recomendarnos a otros que buscan ofertas similares.

Como escriben Peter Fader y Sarah Toms en The Customer Centricity Playbook, en una estrategia eficaz centrada en el cliente «las oportunidades para obtener las máximas ganancias financieras se identifican y se aprovechan plenamente, pero estas apuestas de alto riesgo también deben ponderarse y distribuirse entre categorías de activos de menor riesgo».

Encontrar el equilibrio adecuado y adaptar nuestras interacciones comienza con una estimación cuidadosa de dónde están los clientes en su viaje de por vida con nosotros.

Estimación de la vida útil del cliente a partir de señales transaccionales

Como se ha mencionado anteriormente, en los modelos sin suscripción, no podemos saber la duración exacta de la vida de un cliente o dónde reside en ella, pero podemos aprovechar las señales transaccionales que generan para estimar la probabilidad de que el cliente esté activo y tenga posibilidades de volver en el futuro.

Popularizados como los modelos «Buy ‘til You Die» (BTYD), la frecuencia de un cliente y la frecuencia reciente de compromiso en relación con los patrones del mismo en toda la población de clientes de un comercio minorista pueden utilizarse para derivar las curvas de supervivencia que nos proporcionan estos valores.

Delivering Customer Lifetime Estimates to the Business

Si bien es muy accesible, el uso de la biblioteca de vida útil para calcular las probabilidades específicas de los clientes de una manera que se ajuste a las necesidades de una gran empresa puede ser un desafío. En primer lugar, debe procesarse un gran volumen de datos de transacciones para generar las métricas por cliente que requieren los modelos.

A continuación, deben derivarse curvas a partir de esos datos, ajustándolos a los patrones esperados de distribución de valores, cuyo proceso está regulado por un parámetro que no puede predeterminarse y que, en cambio, debe evaluarse de forma iterativa en una amplia gama de valores potenciales.

Por último, los modelos de vida útil, una vez ajustados, deben integrarse en las funciones de comercialización y participación de los clientes de nuestra empresa para que las predicciones que genere tengan algún impacto significativo. Es nuestra intención en este blog y el cuaderno asociado demostrar cómo se puede abordar cada uno de los desafíos.

Metrics Calculations

Los modelos BTYD dependen de tres métricas clave por cliente:

• Frecuencia: el número de unidades de tiempo dentro de un período de tiempo determinado en el que se observa una transacción no inicial (repetición). Si se calcula a nivel diario, se trata simplemente del número de fechas únicas en las que se produjo una transacción menos 1 para la transacción inicial que indica el inicio de una relación de cliente.
• Edad: el número de unidades de tiempo desde la aparición de una transacción inicial hasta el final de un período de tiempo determinado. Una vez más, si las transacciones se observan a nivel diario, este es simplemente el número de días desde la transacción inicial de un cliente hasta el final del conjunto de datos.
• Recencia – la edad de un cliente (como se definió anteriormente) en el momento de su última transacción no inicial (repetición).

Las métricas en sí son bastante sencillas. El desafío consiste en derivar estos valores para cada cliente de los historiales de transacciones que pueden registrar cada partida individual de cada transacción que se produce durante un período de varios años. Al aprovechar una plataforma de procesamiento de datos como Apache Spark, que distribuye de forma nativa este trabajo a través de la capacidad de un entorno de varios servidores, este desafío se puede abordar fácilmente y calcular métricas de manera oportuna. A medida que llegan más datos transaccionales y estas métricas se deben volver a calcular en un conjunto de datos transaccional en crecimiento, la naturaleza elástica de Spark permite que se den de alta recursos adicionales para mantener los tiempos de procesamiento dentro de límites definidos por el negocio.

Ajuste del modelo

Con las métricas por cliente calculadas, la biblioteca de duración se puede utilizar para entrenar uno de varios modelos BTYD que pueden ser aplicables en un escenario comercial determinado. (Los dos más ampliamente aplicables son los modelos Pareto/NBD y BG/NBD, pero hay otros.) Aunque computacionalmente complejo, cada modelo se entrena con una simple llamada al método, lo que hace que el proceso sea altamente accesible.
Aún así, se emplea un parámetro de regularización durante el proceso de entrenamiento de cada modelo para evitar sobreajustarlo a los datos de
entrenamiento. El valor que es mejor para este parámetro en un ejercicio de entrenamiento determinado es difícil de conocer de antemano para que la práctica común sea entrenar y evaluar el ajuste del modelo en un rango de valores potenciales hasta que se pueda determinar un valor óptimo.
Este proceso a menudo implica cientos o incluso miles de ejecuciones de capacitación/evaluación.
Cuando se realiza uno a la vez, el proceso de determinar un valor óptimo, que normalmente se repite a medida que llegan nuevos datos transaccionales, puede llevar mucho tiempo. Mediante el uso de una biblioteca especializada llamada hyperopt, podemos aprovechar la infraestructura detrás de nuestro entorno Apache Spark y distribuir el modelo de entrenamiento/ evaluación de una manera paralelizada.

Esto permite que el ejercicio de ajuste de parámetros se realice de manera eficiente, devolviendo a nosotros el tipo de modelo óptimo y la configuración de parámetros de regularización.

Implementación de soluciones

Una vez debidamente entrenado, nuestro modelo tiene la capacidad de no sólo determinar la probabilidad de que un cliente vuelva a comprometerse, sino el número de interacciones esperadas durante períodos futuros. Las matrices que ilustran la relación entre las métricas de rectitud y frecuencia y estos resultados previstos proporcionan representaciones visuales poderosas del conocimiento encapsulado en los modelos ahora ajustados. Pero el verdadero desafío es poner estas capacidades predictivas en manos de aquellos que determinan la participación del cliente.

Aprovechando mlflow, una plataforma de administración e implementación de modelos de Machine Learning, podemos asignar fácilmente nuestro modelo a interfaces de programa de aplicaciones estandarizadas. Aunque mlflow no admite de forma nativa los modelos generados por las vidas, se extiende fácilmente para este propósito. El resultado final de esto es que podemos convertir rápidamente nuestros modelos entrenados en funciones y aplicaciones que permiten la puntuación periódica, en tiempo real e interactiva de las métricas de esperanza de vida de los clientes.

Bringing It All Together with Databricks

La capacidad predictiva de los modelos BYTD combinada con la facilidad de implementación proporcionada por la biblioteca de por vida hacen factible la adopción generalizada de la predicción de la vida útil del cliente. Aun así, hay varios desafíos técnicos que deben superarse al hacerlo. Pero ya sea escalando el cálculo de las métricas de los clientes a partir de grandes volúmenes del historial de transacciones, realizando un ajuste optimizado del hiperparámetros en un gran espacio de búsqueda o la implementación de un modelo óptimo como una solución que permite la puntuación del cliente, las capacidades necesarias para superar cada uno de estos desafíos están disponibles. Aún así, la integración de estas capacidades en un único entorno puede ser un desafío y llevar mucho tiempo. Afortunadamente, Databricks ha hecho este trabajo por nosotros. Y al entregarlos como una plataforma nativa de la nube, los minoristas y fabricantes que necesitan acceso a estos pueden desarrollar e implementar soluciones en un entorno altamente escalable con un costo inicial limitado.

Descargue el Notebook para empezar.

Tomado de Databricks}

Realizado por por Rob Saker, Bryan Smith, Bilal Obeidat y Chris Robison Publicado en ENGINEERING BLOG 

Canales de Youtube para aprender sobre Data Science : Tableau , Power BI, Machine Learning

Power BI : 10 aplicaciones alternativas gratuitas para crear Dashboards

Gobierno de Datos : DAMA, DMBok 2 y Big Data