Con la llegada del Big Data, las empresas disponen de información abundante sobre las interacciones con sus clientes, y eso permite un entendimiento fino de cada necesidad individual. Esa profundidad hace posible anticipar amenazas y oportunidades con modelos predictivos uno a uno. Combinando atributos casi estáticos (edad, sexo, localización, antigüedad, cartera) con factores dinámicos (interacciones recientes, cambios en su esfera de influencia…), se pueden asignar periódicamente probabilidades a cada acción del cliente: comprar un producto, acogerse a una promoción, cambiar de plazo de suscripción, o incluso abandonar la marca o dejar de pagar.
Estos modelos no pretenden ser perfectos —el cliente es impredecible por naturaleza—, pero son muy valiosos para identificar los segmentos con más probabilidad de hacer algo concreto, frente a la selección al azar o por intuición de antes. Su eficacia se mide con el «lift»: la proporción en que el modelo mejora la probabilidad de acertar respecto a una muestra aleatoria equivalente.
Lift = % de eventos detectados por el modelo / % de eventos en una muestra aleatoria similar
Cuando el lift alcanza tres, cuatro o cinco veces la tasa de éxito, la mejora frente a los métodos sin modelos analíticos es sustancial. Pero acertar en la predicción no basta para decidir cómo interactuar con cada cliente de forma consistente: hay más factores en juego. Lo que sigue es la evolución de los sistemas de recomendación en los últimos años, incorporando elementos más allá de estos modelos.
Primera generación: propensiones y valor futuro
No todos los clientes valen lo mismo, ni sus acciones tienen el mismo impacto en la empresa. A algunos queremos conservarlos toda la vida; otros —por márgenes bajos, riesgo alto o poco potencial— pueden irse sin que nos preocupe. Al elegir a quién dirigir cada acción hace falta un sistema de «qué pasaría si»: simular las repercusiones económicas de cada interacción posible, ya sea animar a una compra o adelantarse a un abandono contactando por distintos canales.
De ahí nacieron los primeros sistemas de Next Best Action, todavía en uso. Emplean modelos predictivos para diversas acciones del cliente y estiman el valor económico de anticipar abandonos o sugerir productos afines a sus preferencias, comparando esperanzas matemáticas:
E(Valor | Acción «a») = Prob(Respuesta «r» | Acción «a») × Valor(Respuesta «r»)
Hay un factor importante que esta generación omite: la capacidad de la empresa para influir en la respuesta, que depende de la sensibilidad de cada cliente a cada interacción por el canal elegido. Por simplicidad, se asume una sensibilidad relativamente uniforme. Aun así, al decidir la mejor acción se tiene en cuenta el tipo de trato que requiere el cliente —su uso habitual de canales, su sensibilidad al precio, la calidad, la seguridad o la novedad— y se adapta la estrategia. El enfoque descansa en las probabilidades orgánicas de contratación: a mayor propensión, mayor inclinación a aceptar un producto alineado con sus preferencias.
Segunda generación: anticipar el efecto incremental (uplift)
El problema del sistema anterior es que podía gastar recursos en clientes que ya iban a contratar de forma orgánica, intentando influir en un comportamiento que quizá estaba decidido de antemano. Ignoraba el efecto incremental real de cada campaña sobre cada cliente: usaba solo propensiones orgánicas y daba por supuesto que el incremento era constante o parecido para todos.
Para incorporar el impacto de las campañas aparecieron los primeros modelos de «uplift», que predicen cuánto puede modificar una acción comercial concreta la probabilidad orgánica de un cliente. Se pasa así de dos pilares de selección (propensión y valor) a tres: propensión, valor y sensibilidad, es decir, el efecto incremental.
La sensibilidad se medía con técnicas ANOVA, simplificadas mediante tests A/B y aprendizaje por refuerzo estático (bandidos multibrazo). Introducir efectos entre clientes era difícil, así que lo práctico era agruparlos de forma semisupervisada en microsegmentos reutilizables. Para medir el incremento hacía falta definir grupos de control y de tratamiento, y analizar el lift del modelo dentro de los grupos de control junto con los efectos incrementales observados por microsegmento y campaña:
En el ejemplo, la «acción 1» produce un uplift del 71,4 % —a confirmar con un análisis coste-beneficio—, superior al habitual en el grupo no propenso. En cambio la «acción n» no genera uplift en el grupo propenso, y sí cierto efecto en el no propenso: habría que evitarla en el grupo propenso, justo lo contrario de lo que asumía la primera generación.
Como los efectos de las campañas varían en el tiempo, surgieron los «laboratorios de marketing» con bandidos multibrazo: un muestreo «explorar/explotar» en el que unos pocos casos actúan de control para el análisis de uplift y la mayoría recibe la asignación aparentemente óptima, reasignando las acciones de forma iterativa. La misma técnica sirve para promociones y cambios de precio: evaluar si el incremento compensa la pérdida de margen, contando el descuento y el coste de la acción.
Tercera generación: recorridos de decisión bajo interacciones masivas
Con el tiempo se ha hecho evidente que lo anterior tampoco basta. Muchas promociones no muestran su efecto de inmediato y a medio plazo pueden ser contraproducentes: unos meses de suscripción gratis retienen al cliente temporalmente, pero la erosión de margen no garantiza rentabilidad a largo plazo. Hace falta una perspectiva estratégica de la relación, buscando los caminos de interacción que maximizan su valor a lo largo del tiempo. ¿Nos conviene fomentar la digitalización? ¿Merece la pena un periodo de prueba? La digitalización reduce costes de gestión y abre canales que fidelizan mejor; la prueba no tiene valor económico inmediato, pero permite que el cliente aprenda del producto sin interacción directa.
Para modelar estas dinámicas hay que pasar del aprendizaje por refuerzo estático al dinámico —normalmente (deep) Q-learning— y definir las dimensiones del estado del cliente: beneficio neto actual, número de contratos o productos, frecuencia de uso y recurrencia, uso de canales y servicios digitales, sensibilidad a las interacciones comerciales… Son indicadores artificiales que conviene mantener entre 0 y 1, lo que permite seguir la evolución de cada cliente en un espacio multidimensional:
Así se analiza cómo evolucionan los clientes por distintos caminos y cómo nuestras interacciones influyen en esas trayectorias. Discretizando los estados en cuartiles o quintiles se pueden estudiar las probabilidades de transición bajo cada estrategia comercial, y de ahí extraer estrategias de alto nivel a medio y largo plazo. Como un ajedrecista que planifica varias jugadas y sacrifica valor a corto plazo por una ventaja posterior, el sistema extrae esas estrategias tanto por visualización (cooperación persona-máquina) como de forma desagregada, con modelos de Q-learning en lugar de la optimización estática de los bandidos o los tests A/B.
Además de la dinámica, conviene una visión holística del recorrido: clientes, prospectos y clientes potenciales reciben continuamente campañas propias y de la competencia por medios masivos, programática y a veces marketing directo. Las empresas rara vez coordinan esos esfuerzos: la inversión en medios directos suele ir por libre respecto a los medios masivos o al digital de pago. Y los precios, promociones, surtido y cambios de producto anunciados en medios masivos o locales se gestionan desde un «revenue management» separado de las acciones uno a uno.
Incorporar toda esa información obliga primero a ampliar la audiencia objetivo: ya no solo clientes actuales, sino fieles, potenciales y ocasionales. Y eso trae dificultades, porque de la audiencia potencial no tenemos ni la información de calidad ni los puntos de contacto directo que tenemos de los clientes, en gran parte por la regulación de privacidad. Además, la posición de un cliente frente a la empresa es un proceso secuencial dinámico: del conocimiento de la marca al interés por el producto, y de ahí a cliente, con intercambio de información y experiencia en cada etapa. No es un embudo de ventas tradicional, sino un recorrido que va más allá de la primera venta, hacia la retención y el posible retorno.
Asignar a los clientes (potenciales) un estado concreto exige microsegmentos cuando hay datos suficientes —clientes activos o prospectos— y, para quienes no son ni lo uno ni lo otro, herramientas como los modelos basados en agentes para Marketing Mix Modeling, que combinan la dinámica del recorrido completo de decisión del cliente. Con todas sus dificultades, las herramientas para emprender ese camino ya existen.
Publicado originalmente en Medium (noviembre de 2023). Traducción al español del original en inglés.