Una guía práctica para la predicción de abandono de clientes: qué modelos funcionan realmente, qué features mueven la aguja y cómo convertir la predicción en una tasa de 'save' incremental.
Predicción de abandono de clientes es la práctica de estimar, para cada cliente, la probabilidad de que finalice su relación con la empresa dentro de un horizonte definido. En los negocios de suscripción, ese horizonte suele ser el siguiente ciclo de facturación. En el B2C transaccional, es una ventana de inactividad (30, 60, 90 días sin compra). En ambos, el objetivo es el mismo: identificar quién es probable que se vaya a tiempo para hacer algo al respecto.
Ese encuadre es donde la mayoría de los programas de churn salen mal. Una puntuación de churn es una probabilidad, no un programa. Dos clientes con la misma probabilidad de churn predicha pueden tener economías de efecto de tratamiento completamente diferentes, y el programa de retención que los trata idénticamente descontará en exceso a uno y atenderá insuficientemente al otro. Esta guía cubre ambas mitades, el modelo que predice y la capa de decisioning que convierte la predicción en una tasa de ahorro incremental.
Un modelo de rotación bien especificado estima:
Congelar funciones en el tiempo t. No filtre información de después de t en el conjunto de características. Esta es la fuente más común de modelos que parecen brillantes en la validación cruzada y fallan en producción. Cualquier característica que incluya un comportamiento posterior a la predicción, incluyendo cualquier cosa que toque el propio evento de abandono, infla el AUC entre 5 y 20 puntos y hace que el modelo sea inútil en etapas posteriores.
En datos tabulares de clientes, los árboles de gradiente potenciado (XGBoost, LightGBM, CatBoost) superan de forma fiable a la regresión logística, los bosques aleatorios y la mayoría de las arquitecturas de deep learning. Manejan las variables categóricas de manera limpia, son robustos a los datos faltantes y requieren poca optimización para alcanzar el 90 por ciento de su techo de calidad de producción.
Las arquitecturas de deep-learning solo empiezan a importar cuando la estructura secuencial domina la señal, rastros de comportamiento largos en streaming o juegos, donde el orden de los eventos aporta más información que sus recuentos. Incluso entonces, los árboles potenciados sobre características de secuencia bien diseñadas suelen igualar a los transformers con un uno o dos por ciento de AUC y son diez veces más baratos de operar.
La propensión te dice quién es probable que abandone. No te dice si una intervención cambiará eso. La familia de modelos que responde a la segunda pregunta es el uplift, y los valores predeterminados prácticos son los meta-learners: T-learner (dos modelos separados para tratados y no tratados), X-learner (mejor bajo desequilibrio) y R-learner (Neyman-orthogonal, más robusto). Todos ellos envuelven el caballo de batalla de la propensión (generalmente un árbol potenciado) en un marco causal.
El programa de retención que realmente quiere clasifica por uplift, no por propensión. Un cliente con un 60 por ciento de probabilidad de churn y un uplift cercano a cero a cualquier intervención no es a quien se le envía una oferta para retenerlo; un cliente con un 25 por ciento de probabilidad de churn y un alto uplift sí lo es.
La elección del Model importa menos que la ingeniería de características. Las cuatro familias de características que aparecen como las más importantes en casi todos los modelos de abandono que vemos:
Las características de exposición al marketing suelen añadir poco a la predicción de la fuga de clientes, a menos que la tasa base de contacto sea inusualmente baja. La razón: para la mayoría de los clientes, la frecuencia de los mensajes es lo suficientemente alta como para que la variación colapse. Donde el marketing sí ayuda es en el modelo de uplift, como una característica del lado del tratamiento que explica por qué la respuesta varía según el historial de exposición.
No por AUC. AUC clasifica correctamente a los clientes por riesgo, pero no dice nada sobre si sus intervenciones realmente salvan a alguno de ellos. La métrica que importa es tasa de ahorro incremental: la diferencia en la retención entre los clientes tratados (aquellos cuyo riesgo predicho desencadenó una intervención) y un holdout preservado de clientes con igual puntuación que no recibieron ninguna intervención.
Reportado honestamente, esto se ve así: "Entre los clientes del decil de riesgo superior que recibieron la oferta de 'Guardar', la retención fue del 62 por ciento. Entre el holdout de clientes del decil de riesgo superior que no recibieron nada, la retención fue del 54 por ciento. La tasa incremental de 'guardado' es de 8 puntos porcentuales." Multiplica por el margen predicho, resta el coste de intervención, informa al CFO.
Para una visión más profunda de cómo la tasa de ahorro incremental se acumula en categorías de suscripción (y dónde no lo hace), consulte la economía de la prevención de la rotación en streaming y telecomunicaciones.
Un programa de churn de grado de producción tiene tres capas acopladas:
Esta es exactamente la forma de Next Best Action, aplicado específicamente a la palanca de retención. Cualquier cosa que no sea el ciclo completo deja la tasa de retención incremental sobre la mesa.
Si tiene predicción pero no toma de decisiones, comience con un holdout preservado y una acción de retención clasificada por mejora. Si no tiene ninguno, comience con un modelo de propensión de árbol potenciado en las cuatro familias de características anteriores; el modelo de mejora puede llegar en el próximo sprint.
Markin ejecuta la predicción de churn y la retención clasificada por uplift como un bucle contra tu base. Explore Diagnóstico de producto para verlo en directo.
Preguntas frecuentes
Recursos relacionados
Soluciones
Verlo en el producto
Los mismos bucles que describe esta nota funcionan 24/7 contra tu base de clientes. Observa cómo el espacio de trabajo decide, experimenta y ejecuta 1:1.
Vocabulario
Definitions an answer engine can quote, each one a page of its own.
Comparar
Neutral reads on the categories buyers evaluate against a decision layer.
Todas las comparaciones
