En palabras simples: para mejorar un resultado aleatorio.
Supongamos que nuestra organización está interesada retener a los mejores clientes. Si bien existen diferentes aproximaciones para evitar la fuga de clientes, el modelamiento predictivo resulta una forma eficiente y repetible como solución a problemas del tipo predictivo.
Una solución efectiva pero poco eficiente sería contactar a toda la cartera de clientes. Si el contacto es una llamada o una visita esto en algunos casos generaría más costos que beneficios.
El objetivo de un modelo predictivo sería: identificar aquellos clientes con probabilidad de fuga dentro de los próximos 6 meses. Con esto se apunta a un conjunto reducido de clientes, optimizando los recursos, y asegurado de que son aquellos con mayor propensión a la fuga.
El primer paso es recolectar datos acerca de clientes que efectivamente hayan dejado la organización y unirlos con datos de clientes actuales en un espacio temporal determinado como por ejemplo en los últimos 12 meses. Este conjunto de datos es utilizado para entrenar un algoritmo como redes neuronales o árboles de decisión con el objetivo de que pueda identificar patrones en los datos de clientes que se fugan.
El modelo generado se evalúa en relación a no tener un modelo. Por ejemplo, si la tasa de fuga de clientes sin modelo es de un 5% (1 de cada 20) y el modelo logra identificar un 25% de clientes fugados (1 de cada 4) entonces el modelo resulta una mejor alternativa que seleccionar clientes aleatoriamente para contactar, y a la vez optimiza recursos enfocando los esfuerzos. Lo hace cinco veces mejor que no tener un modelo predictivo.
Una vez entrenado el modelo predictivo, éste se puede aplicar periódicamente a nuevos conjuntos de datos permitiendo a la organización optimizar recursos y gestionar clientes en forma eficiente.
El modelamiento predictivo resulta útil en situaciones donde se requiere identificar o clasificar un subconjunto de elementos con características específicas.
