1. ¿Cómo identificar, potenciar y retener
a mis mejores clientes?
Adolfo Kvitca
Director de Soluciones Predictivas
SPSS Argentina SA

2. ¿Quienes son
mis mejores
clientes?

3. ¿Los que compran
mucho?

4. ¿Los que
compran
financiado?

5. ¿Los que
compran poco
pero seguido?

6. ¿Los que pagan
en fecha, o los
que se atrasan
unos días?

7. ¿Los que no usan
los descuentos y
promociones?

9. No todos los clientes son iguales…
Valor

10. Valor Actual y Valor Potencial
Valor
Potencial
Bajo Alto
Alto
Gastan bastante... Gastan mucho…
Inclusive mas de lo Que sigan gastando
que esperabamos. con nosotros!
Valor
Actual
Gastan poco… Gastan con la
competencia…
No pueden gastar
mas. Que lo hagan con
Bajo nosotros!

11. Valor Actual y Valor Potencial
Valor
Bajo Potencial Alto
Alto
Gastan mucho... Gastan mucho…
Inclusive mas de lo Que sigan gastando
que esperabamos. con nosotros!
Valor
Actual
Gastan poco… Gastan con la
competencia…
Pero no pueden
gastar mas. Que lo hagan con
Bajo nosotros!

12. ¿Cómo adquirir, potenciar y retener a los Clientes?
Adquirir
Retener Potenciar

13. Conociendo al Cliente…
Customer Contact Channels
Website email agent mail phone PDA branch ATM
Datos de Interacción Datos Actitudinales
- Ofertas - Opiniones
- Reclamos - Preferencias
- Notas - Necesidades
- Clicks
Datos descriptivos Datos de Comportamiento
- Atributos - Ordenes de compra
- Caracteristicas - Transacciones
- Socio/Geo demográficos - Historia de pago
- Antiguedad - Historia de uso
Operational
Attitudinal Marketing Web Call center Social networks
interaction
Enterprise Data Sources

14. Conociendo al Cliente…
Customer Contact Channels
Website email agent mail phone PDA branch ATM
Datos de Interacción Datos Actitudinales
- Ofertas - Opiniones
¿Cómo?
- Reclamos
- Notas
¿Por qué?
- Preferencias
- Necesidades
- Clicks
Datos descriptivos Datos de Comportamiento
- Atributos - Ordenes de compra
¿Quién?
- Caracteristicas
- Socio/Geo demográficos ¿Qué?
- Transacciones
- Historia de pago
- Antiguedad - Historia de uso
Operational
Attitudinal Marketing Web Call center Social networks
interaction
Enterprise Data Sources

15. Informacion para Segmentar

16. Segmentación x Propensión
Score Poblacion Respuesta 14,0%
Int Min Max Cant %Int %Ac Cant %Int %Ac Lift Captura
10 289 999 1357 10% 10% 187 13,8% 13,8% 2,1 21% 12,0%
9 207 288 1398 10% 20% 148 10,6% 12,2% 1,6 38% 10,0%
8 166 206 1340 10% 30% 120 9,0% 11,1% 1,4 52%
8,0%
7 137 165 1341 10% 40% 108 8,1% 10,4% 1,3 64%
6 114 136 1360 10% 50% 97 7,2% 9,7% 1,1 76% 6,0%
5 88 113 1371 10% 60% 82 6,0% 9,1% 0,9 85%
4,0%
4 63 87 1376 10% 70% 64 4,7% 8,5% 0,7 92%
3 39 62 1373 10% 80% 41 3,0% 7,8% 0,5 97% 2,0%
2 17 38 1325 10% 90% 15 1,2% 7,1% 0,2 99%
0,0%
1 1 16 1330 10% 100% 10 0,8% 6,4% 0,1 100%
10 9 8 7 6 5 4 3 2 1
13572 100% 872 6,4%

17. ¿ESTÁ MI ORGANIZACIÓN EN
CONDICIONES DE INCORPORAR
DATA MINING,
Y APLICAR TECNICAS DE
MARKETING PREDICTIVO?

18. Para analizar objetivamente esta cuestión hay
que superar ciertos mitos

19. MITO:
Antes de hacer modelos necesitamos un Datawarehouse
Si bien es cierto que seria más fácil obtener los datos, muchas veces no
contienen la información necesaria para el desarrollo de modelos.
Herramientas de datamining actuales pueden utilizar los backup y leer la
información en múltiples formatos, e incluso puede mantener actualizados los
repositorios para posteriores corridas

20. MITO:
Antes tengo que implementar el CRM
y el proyecto de “Cliente único”
Es cierto que con un sistema de CRM se puede obtener mayor potencial,
pero hay muchas acciones que pueden ser implementadas con los
sistemas tradicionales, con un gran impacto en costos y beneficios

21. MITO:
Solo tiene sentido desarrollar scores para grandes
volúmenes de cuentas
Pueden desarollarse modelos con bases que contengan
sólo algunos cientos de casos
Lo importante es cuantos casos “objetivo” hay (al menos 200)

22. MITO:
“GARBAGE IN - GARBAGE OUT”
Si hay basura y datos faltantes no se puede desarrollar un score
La estadística trabaja con grandes números, identificando patrones
genéricos, por lo tanto una cantidad relativamente pequeña de errores y
datos faltantantes no influyen en el resultado del modelo. Inclusive se
toma como dato el hecho que el dato no esté informado. Se puede recurrir
inclusive a las carpetas físicas para desarrollar el modelo

23. MITO:
Lleva mucho tiempo!
Las herramientas visuales reducen los tiempos sensiblemente

24. MITO:
Lleva mucho tiempo!
La aplicación de una metodología probada, y la utilización
de plantillas de mejores prácticas que sintetizan años de
experiencia en la industria, permite proceder de manera
intuitiva y efectiva, e implementar soluciones en semanas

25. MITO:
Sistemas tiene siempre otra prioridad!
 Utilizar herramientas que permitan automatizar la ejecución y el
monitoreo de modelos y estrategias.
 Con arquitectura abierta y fácilmente integrables.

26. MITO:
Desarrollar modelos es sumamente complejo!
C5.0
GRI
CART
CHAID
QUEST
CAPRI
Apriori
K-Means
Kohonen
Regresion Lineal
Redes Neuronales
Regresion Logistica
 Los algoritmos de data mining son complejos, pero la utilización de
plantillas guían en cada paso de la construcción del modelo
 La participación de un experto en el negocio, con un conocimiento
exhaustivo del problema, es fundamental para obtener resultados útiles y
confiables

27. MITO:
Desarrollar modelos es sumamente complejo!
Incorporar a los primeros proyectos a consultores externos con experiencia
en el desarrollo de modelos similares puede facilitar y acelerar
el desarrollo
la interpretación de los resultados obtenidos
la integración con los sistemas corporativos
el seguimiento y actualización de los modelos
el rápido retorno de la inversión
la capacitación, en la práctica, del personal propio

28. ¿SEGMENTAR O DATA MINING?

29. ¿Segmentar o Data Mining?
 Segmentar es una tarea habitual
en Marketing
Laura Perez Laura Aguirre
Compras > 3500 Compras > 3500
>3500
Casada Soltera
Compra ropa en liquidaciones Compra ropa en pre-temporada
>2000
30% supermercado 30% electrodomésticos
Viaja dentro del país Viaja al exterior
<2000

30. Data Mining
• Permite analizar cientos de características al mismo tiempo
• Analiza automáticamente la correlación de las variables
• Permite segmentación difusas, tiene en cuenta todos los
aspectos al mismo tiempo
• Estima la probabilidad (Score) de un evento futuro
Vivienda
Antigüedad
Edad en el empleo

31. ¿Se puede predecir el futuro?
CRECIMIENTO
ADQUISICION
RETENCION

32. ¿Se puede predecir el futuro?
•No vamos predecir un evento, sino que vamos a
calcular la probabilidad que ese evento ocurra
 No existe garantía de cuál será el resultado para un caso en
particular… La probabilidad se aplica un conjunto de casos

33. Como utilizar el Score
90%
80%
70%
50%
Alto Medio El score es un número que permite ordenar
Bajo
las cuentas de acuerdo a la probabilidad de
ocurrencia de un evento.
Esto permite realizar acciones diferenciadas:
limites, incentivos, precios, canal, etc
diferentes segun el nivel de probabilidad
esperado (respuesta, fidelidad, riesgo, etc)

34. Analisis Predictivo
Business Predictive
Intelligence Analytics
Descriptivo (pasado) Predictivo (futuro)
Optimización
de
Valor para el negocio
Data Estrategias
¿De qué tipo, mining
¿Cuántos en que lugar?
productos Forecasting
vendimos? ¿Qué le
¿Qué clientes ofrecemos, a
Cubos están por que precio, por
Query & ¿Cuál es la comprar? que canal?
Reporting proyección de
ventas?
Tiempo

35. El Proceso
Capturar Predecir Optimizar y Actuar
Cupones
Caja/Kioscos/Correo
Ofertas especificas
I A
Data
Mining Statement
insert
D C 3 13
6 12
Catalogos
Correo-Email-Sucursal
Statement
Venta Retencion Cobranza Fraude insert
? ?
12 15
?
11 ?
3
Promociones en Tienda
Compre X con Y por solo .
Monitorear

36. MARKETING PREDICTIVO

37. El principal desafío del marketing
Adquirir, Potenciar y Retener a los mejores clientes
Adquisición Seguimiento Fuga
Mayor Aun mas
Ganancia Ganancia
Ganancia
Ganancia
Menor Costo
Ciclo de Vida del Cliente
Costo
Tiempo
•Aumentado el nivel de Respuesta
•Maximizando el Cross-Sell y Up-Sell
•Extendiendo la relación lo más posible

38. Scores + Estrategias + Monitoreo
S
C
O
Por supuesto, no basta con el R
E
S
desarrollo del modelo
E
S
T
R
A
T
Hace falta crear e implementar E
G
I
estrategias que los utilicen A
S
M
O
N
I
Y monitorear los resultados T
O
R
E
O

39. Champion/Challenger
S
C
O
R
E
 Testear S
E E E
 Monitorear S
T
R
S
T
R
S
T
R
A ESTRATEGIAESTRATEGIA
A A ESTRATEGIA
T T T
E E
CHAMPION E CHALLENGER
G G G
I I I
A A A
S S S
M
O
N
I
T
O
R
E
O

40. Champion/Challenger
S
C
O
R
E
 Testear S
E E E
 Monitorear S
T
R
S
T
R
S
T
R
A A A
ESTRATEGIA ESTRATEGIA
ESTRATEGIA
ESTRATEGIA
T T T
E CHAMPION CHALLENGER
E E CHALLENGER
CHAMPION
 Mejorar G
I
A
G
I
A
G
I
A
S S S
M
O
N
I
T
O
R
E
O

41. Muestras
MUESTRA Criterio Registros
BASE 10000
UNIVERSO despues de exclusiones 9000
TARGET SCORE > 300 (40%) 3600
CONTROL 10% al azar 360
PERFOMANCE 5% al azar 270
Enviado 3510
UNIVERSO Es el total de registros luego de las exclusiones
TARGET Es el grupo al que se desea enfocar la camaña
CONTROL Es un subgrupo del TARGET que se reserva para medir la efectividad de la oferta
PERFOMANCE Es una grupo aleatorio al que se envia la oferta para medir el modelo

42. Administración de Campañas Tradicional
Monitoreo de
Resultados
Clientes Generar Candidatos
Clientes
12435
56437
59235
45276
Filtrar
Aplicar Exclusiones
Realizar una oferta a los
clientes que aplican Datos
- Demográficos
- Tenencia
- Utilización
- …

43. Problema:
Las campañas son costosas, muchos clientes no responden
A B C
Respuesta Respuesta
Respuesta
tiempo

44. RIGHT PERSON
Solución:
Predecir quienes van a responder a una oferta de un producto
Beneficios típicos:
Reducción de costos del 25%
A B C
Respuesta Respuesta
Respuesta
tiempo

45. Administración de Campañas c/Data Mining
Monitoreo de
Resultados
Clientes Generar Scores
Cliente Score
12435 0.22
56437 0.13
59235 0.02
45276 0.05
Modelos Predictivos
Probabilidad de
Respuesta
Realizar una oferta a los
clientes con mayor Datos
propensión a aceptarla - Demográficos
- Tenencia
- Utilización
- Pagos
- Uso de canales
- Quejas
- Encuestas
- …

46. Pero el problema es mas complejo…
RIGHT CHANNEL
RIGHT OFFER RIGHT TIME
RIGHT PERSON

47. Problema:
La respuesta a las campañas incrementa drasticamente la carga
del call center y las sucursales
Se satura a los clientes con Ofertas
A B C
A?
tiempo

48. RIGHT TIME
Solución:
Elegir los clientes que tengan mas propensión en cada momento
Controlar la periodicidad de los envios
Beneficios típicos:
Mejor aprovechamiento de los recursos.
Reducción de costos del 35%. Aumento de la respuesta de un 20%.
tiempo

49. Problema:
Cada individuo tiene preferencia (manifiesta o teorica) a ser contactado por
distintos canales
El costo de cada canal es muy diferente
Hay restricciones operativas diferentes para cada canal
?

50. RIGHT CHANNEL
Solución:
Seleccionar el mejor canal para cada cliente
Beneficios típicos:
Mayor tasa de respuesta. Menores Costos.
?

51. Problema:
Se prioriza las campañas y luego se les asignan los clientes.
Campañas superpuestas. Se satura al cliente con ofertas.
Los distintos departamentos se disputan los clientes. Se pierden oportunidades.
tiempo

52. OPTIMIZACION
 Cada Canal tiene distinta capacidad
 Existe un Presupuesto Limitado
 Cada Producto tiene objetivos mínimos de venta
 Cada campaña tiene un tamaño mínimo para ser rentable
 Las restricciones de contacto son diferentes para cada canal
Renta
Oferta Renta Score
Esperada P1 P2 P3
$ 430 9.3% 40 A 40 50 60
$ 714 4.9% 35 B 35 40 50
$ 606 3.3% 20 C 20 39 20
P1 P2 P3 P1 P2 P3 P1 P2 P3
A 40 50 60 A 40 50 60 A 40 50 60
B 35 40 50 B 35 40 50 B 35 40 50
C 20 39 20 C 20 39 20 C 20 39 20
100 120 134

53. RIGHT OFFER OUTBOUND
Tecnología:
Data Mining y Optimización
Beneficios típicos:
Automatización de todas las acciones. Incremento del beneficio de un 50% a 100%.
Ejecutar Campañas en
Seleccionar la mejor campaña,
cada Canal el mejor momento, la mejor oferta,
A B
C y el mejor canal, para cada cliente.
Productos
A %??$?
42
A
B B %??$?
C
C
%??$?
87
Datos y
Modelos

54. RIGHT OFFER INBOUND
¿Aplica a Probabilidad
Valor
Oferta este Margen de
Cross-sell? Esperado
caso? Respuesta
<context data>
A No
B Yes 90 54% 49
C
C Yes 85 62% 64
<customer data>
Inbound Outbound
Percepción Apropiada Conveniente
Respuesta 30% 5%

55. Administración de Campañas Optimizada
Monitoreo de
Resultados
Clientes Múltiples Canales
Generar Scores
Inbound & Outbound Cada producto tiene
Diferentes Costos diferente Ganancia
Diferente Efectividad Cliente Scores
12435 0.22 0.31 0.11
Diferentes Mensajes 56437 0.13 0.04 0.28
Restricciones de Contacto 59235 0.02 0.17 0.14
45276 0.05 0.01 0.09
Múltiples
Modelos Predictivos
Probabilidad de
Respuesta
Realizar una oferta a los
clientes con mayor OPTIMIZAR
Objetivos mínimos de venta
Capacidad de cada canal Datos
beneficio - Demográficos
Limitaciones de presupuesto - Tenencia
- Utilización
- Pagos
- Uso de canales
- Quejas
- Encuestas
- …

56. RESUMEN

57. El Marketing del Futuro
Imagine si los Imagine si el call
vendedores de center pudiese
cada sucursal responder los
pudieran llamados con
recomendar a acciones
sus clientes el personalizadas de
próximo producto retención y cross-
que más selling
probablemente
contraten.
Imagine si pudiera
personalizar el Imagine si pudiera
contenido de su conocer cuales de
WebSite, para cada sus prospectos son
visitante, con los mas proclives a
servicios y aceptar su oferta
productos que cuando diseña una
proba-blemente nueva campaña de
deseen adquirir marketing

58. El Marketing del Futuro: Aquí y Ahora

59. Algunos Testimonios
“El análisis predictivo nos ayuda a “SPSS nos da el poder de saber, antes que
contactar a la persona adecuada con pase, si un cliente esta en riesgo de abandono.
la mejor oferta. SPSS nos brindó el Ahora podemos realizar la acción apropiada
poder para hacerlo.” para retenerlo.”
“SPSS nos permitió generar “Datos hay! pero no se sabe por donde empezar
modelos predictivos para identificar Lo hermoso de las plantillas SmartWorkbench
compradores con mayor propensión es que te ayudan poner foco. Te alientan a
a adquirir determinados productos y empezar con los problemas mas acuciantes y te
servicios. Se redujo en un 25% las guían para resolverlos, pero sin perder
piezas enviadas” flexibilidad como en un producto enlatado.”
“Encontramos muy intuitivo el uso de SPSS Modeler, a través de su interfaz visual
para definir procesos y probar ideas. Si bien se puede argumentar que el data mining
es complejo, el hecho es que SPSS ha hecho un excelente trabajo en remover dicha
complejidad. El foco en la facilidad de uso (al nivel del usuario de negocios) es la
característica más destacada... es lo que le ha permitido alcanzar el liderazgo del
mercado y hará que permanezca en dicho lugar”.

60. Industrias / Resultados
Banca Retail Super Consumo
Seguros Salud Servicios Telco
25-50% 30-60% 40-80% 35-70% 10-20% 50-100%
reducción incremento incremento reducción reducción incremento
de Costos Venta del Uso Tasa de de la detección
Fuga Morosidad de Fraude

61. Metodología
Data Mining
Customer Campaing
View Administration

62. ¿PREGUNTAS?
Adolfo Kvitca
Director de Soluciones Predictivas
SPSS Argentina SA