Cómo se construye un modelo de Next Best Action: propensión, meta-learners de uplift y una función de clasificación que puntúa el margen incremental esperado por acción.
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 comparacionesA modelo de Next Best Action es la función de puntuación que decide, para un cliente en un momento dado, qué acción candidata elegible conlleva el mayor valor incremental esperado. No es un algoritmo único. Es una pila: una capa de propensión que estima lo que es probable, una capa de uplift que estima lo que cambia una acción, y una capa de clasificación que convierte ambos en dinero y elige un ganador.
La mayoría de los equipos construyen la primera capa, omiten la segunda y dejan que la tercera se convierta en una hoja de cálculo de reglas de negocio. Por eso tantos programas reportan un AUC impresionante y unos ingresos planos. Esta guía cubre las familias de modelos que funcionan en producción, la función objetivo que debe situarse por encima de ellos y cómo saber que el modelo es correcto en lugar de meramente preciso.
El resultado no es una puntuación por cliente. Es una matriz: para cada cliente, un valor esperado por acción elegible, incluida la acción nula de no hacer nada. La decisión es el 'argmax' de esa fila, sujeta a restricciones.
Escribir el objetivo de esta manera saca a la luz tres cosas que un modelo de propensión oculta: el conjunto de candidatas tiene que ser enumerado, cada acción necesita un margen, y se debe permitir que el 'no hacer nada' gane. En un programa maduro, la acción nula gana una gran parte de las decisiones, y esa parte es una característica, no un defecto.
En datos tabulares de clientes, los árboles potenciados por gradiente (XGBoost, LightGBM, CatBoost) siguen siendo el estándar de producción. Manejan tipos mixtos y valores faltantes, se entrenan en minutos y alcanzan la mayor parte de su techo de calidad con poca sintonización. Los modelos de secuencia justifican su costo solo cuando el orden de los eventos conlleva más señal que el recuento de eventos, típicamente en rastros de comportamiento largos en streaming y gaming.
La propensión responde quién es probable que convierta, genere churn o actualice. No responde si la acción cambia algo. Esa es una pregunta causal, y los valores predeterminados prácticos son meta-learners: T-learner (modelos separados para el grupo de tratamiento y el de control), X-learner (más estable bajo desequilibrio de tratamiento) y R-learner (Neyman-orthogonal, más robusto al error de molestia). Cada uno envuelve la misma máquina de árboles impulsados en un marco causal, por lo que el costo de ingeniería de añadir uplift sobre una pipeline de propensión existente es modesto.
El modo de fallo a observar es la propensión reetiquetada como uplift. Si la parte superior de la lista clasificada está dominada por clientes que iban a convertirse de todos modos, el programa está pagando por un comportamiento que ya tenía.
La capa de clasificación aplica elegibilidad, consentimiento, límites de frecuencia, horas tranquilas, presupuesto y reglas de canibalización, luego toma el 'argmax'. Las restricciones pertenecen aquí en lugar de dentro del modelo: cambian semanalmente, son auditables y nunca deben lavarse en pesos aprendidos.
Los contextual bandits asignan tráfico a través de acciones mientras aprenden, lo cual es útil cuando el conjunto de candidatos cambia constantemente y las recompensas llegan rápidamente. Son más débiles cuando el horizonte de recompensa es largo, como ocurre con el margen de suscripción, y cuando necesitas una lectura causal limpia para finanzas. Un compromiso común en producción: bandits para variantes creativas y de oferta dentro de una acción, modelos de uplift para qué acción elegir y un holdout preservado sobre ambos.
Semanas 1 a 4: enumera el conjunto de acciones candidatas y asigna un margen a cada una, luego lanza una línea base de propensión con un holdout. Semanas 5 a 10: añade un T-learner o X-learner en las dos o tres acciones de mayor volumen, y cambia la clasificación de propensión a margen incremental esperado. Semanas 11 en adelante: amplía el conjunto de candidatas, añade restricciones y permite que la acción nula compita. La mayor parte del lift llega en la segunda fase, cuando el objetivo cambia, y no cuando lo hace el algoritmo.
Para saber cómo encajan los modelos dentro del ciclo operativo más amplio, consulta la guía de Next Best Action, y para la versión específica de retención de la misma pila, consulta predicción de abandono de clientes.
Markin construye y reentrena las capas de propensión, uplift y clasificación contra tu base, y lee cada decisión contra un holdout preservado. Explora Next Best Action para verlo en directo.
