MEJORANDO EL PODER PREDICTIVO DE LOS MÉTODOS DE PRONÓSTICO A TRAVÉS DE LA SEGMENTACIÓN DE LOS CLIENTES.

Darwin Amézquita, Master en EconomíaAnalytics

SOBRE MI Pregrado y maestría en Economía en la

Universidad de Los Andes.

Trabajo desde hace 2 años como jefe de Cobranzas para Decision Analytics. Directv, Gerencia de Decision Analytics.

Trabajé 3 años como Director de Modelos en la gerencia de Portafolio. Colpatria-Scotia Bank, Gerencia de Modelos.

Autor y Co-autor de 5 Papers presentados en el SAS Global Forum/Conferencia de Analytics de SAS.

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Segmentación de Clientes Selección de Variable Back Testing

Resultados Conclusiones

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

Hacer predicciones es muy difícil, especialmente cuando se trata del futuro…

(Niels Bohr)Premio Novel de física en 1922.

MoraCargue

a Gestión

DX RX

Vencimiento Factura

Día 15 de Mora

Vencimiento 2da

Factura

Día 50 de Mora

Inicio Pronóstico

Tasas de efectividad

PRONÓSTICO - ANTERIOR

Churn Neto

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

OPORTUNIDAD¿Qué

?• Mejorar el Pronóstico de

Churn• Tener un seguimiento diario

¿Por qué? • Ineficiencias • Decisiones

¿Cómo? • Usando Anaytics• Segmentación de Clientes

Resultado • Proceso diario• Mejora en la precisión• Mejora en el churn

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Segmentación de Clientes Selección de Variable Back Testing

Resultados Conclusiones

MoraCargue

a Gestión

DX RX

Vencimiento Factura

Día 15 de Mora

Vencimiento 2da

Factura

Día 50 de Mora

Inicio Pronóstico

Tasas de efectividad

PRONÓSTICO - ANTERIOR

Churn NetoInicio Pronóstico

Tasas de efectividad

por perfil de clienteClientes

DX Churn Neto

METODOLOGÍA• Para usar la metodología de ANOVA/POST ANOVA

es necesario categorizar todas las variables• Bining Interactivo (SAS Miner) Gini Impurity

Transformación de variables

• Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes.

Selección de variables

• A través de la POSANOVA• Se definen cuales son los perfiles de clientes que

tienen medias estadísticamente diferencias Generación de

perfiles• Si tu objetivo es pronosticar, debes buscar el

mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes.

Backtesting

METODOLOGÍA• Para usar la metodología de ANOVA/POST ANOVA

es necesario categorizar todas las variables• Bining Interactivo (SAS Miner) Gini Impurity

Transformación de variables

• Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes.

Selección de variables

• A través de la POSANOVA• Se definen cuales son los perfiles de clientes que

tienen medias estadísticamente diferencias Generación de

perfiles• Si tu objetivo es pronosticar, debes buscar el

mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes.

Backtesting

CATEGORIZACIÓN

METODOLOGÍA• Para usar la metodología de ANOVA/POST ANOVA

es necesario categorizar todas las variables• Bining Interactivo (SAS Miner) Gini Impurity

Transformación de variables

• Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes.

Selección de variables

• A través de la POSANOVA• Se definen cuales son los perfiles de clientes que

tienen medias estadísticamente diferencias Generación de

perfiles• Si tu objetivo es pronosticar, debes buscar el

mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes.

Backtesting

METODOLOGÍA• Para usar la metodología de ANOVA/POST ANOVA

es necesario categorizar todas las variables• Bining Interactivo (SAS Miner) Gini Impurity

Transformación de variables

• Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes.

Selección de variables

• A través de la POSANOVA• Se definen cuales son los perfiles de clientes que

tienen medias estadísticamente diferencias Generación de

perfiles• Si tu objetivo es pronosticar, debes buscar el

mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes.

Backtesting

METODOLOGÍA• Para usar la metodología de ANOVA/POST ANOVA

es necesario categorizar todas las variables• Bining Interactivo (SAS Miner) Gini Impurity

Transformación de variables

• Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes.

Selección de variables

• A través de la POSANOVA• Se definen cuales son los perfiles de clientes que

tienen medias estadísticamente diferencias Generación de

perfiles• Si tu objetivo es pronosticar, debes buscar el

mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes.

Backtesting

Source DF Mean Square F Value Pr > FGRP_dias_para_dx 3 138.548.699 16.85 <.0001GRP_nivel_de_riesgo_ 3 0,63452907 7.72 <.0001GRP_ANTIGUEDAD_2 3 0,29126066 3.54 0.0141perfil 2 0,48325008 5.88 0.0029GRP_Producto 5 0,03007973 0.37 0.8722MOP_ACTUAL 3 0,01519597 0.18 0.9068GRP_dias_para*perfil 6 0,24270575 2.95 0.0072GRP_dias_*GRP_Produc 15 0,06638425 0.81 0.6705GRP_nivel_de_*perfil 6 0,16194953 1.97 0.0669GRP_nivel*MOP_ACTUAL 9 0,1167049 1.42 0.1743GRP_ANTIG*MOP_ACTUAL 9 0,1654189 2.01 0.0347

METODOLOGÍA• Para usar la metodología de ANOVA/POST ANOVA

es necesario categorizar todas las variables• Bining Interactivo (SAS Miner) Gini Impurity

Transformación de variables

• Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes.

Selección de variables

• A través de la POSANOVA• Se definen cuales son los perfiles de clientes que

tienen medias estadísticamente diferencias Generación de

perfiles• Si tu objetivo es pronosticar, debes buscar el

mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes.

Backtesting

METODOLOGÍA• Para usar la metodología de ANOVA/POST ANOVA

es necesario categorizar todas las variables• Bining Interactivo (SAS Miner) Gini Impurity

Transformación de variables

• Se seleccionan las variables que según la ANOVA tengan categorías con medias estadísticamente diferentes.

Selección de variables

• A través de la POSANOVA• Se definen cuales son los perfiles de clientes que

tienen medias estadísticamente diferencias Generación de

perfiles• Si el objetivo es pronosticar, debes buscar el

mejor modelo que sirva para tal fin. Se hizo Backtesting usando 3 meses hacía adelante, con base en eso se escogía la mejor metodología y se hacían ajustes.

Backtesting

ANOVA - ANTIDESCONEXION Variables escogidas para la antidescionexión:

Pendiente de la mora Antigüedad Nivel de Riesgo Días para la DX Producto + Método de pago.

ANOVA - RECONEXIÓN Variables escogidas para la Reconexión:

Pendiente de la mora Antigüedad Nivel de Riesgo Día de la RX * Días desde la DX Tecnología.

INTRODUCCIÓN Antecedentes Oportunidad de Negocio Desarrollo

Selección de Variable Segmentación de Clientes Back Testing

Resultados Conclusiones

GANANCIAS EN LAS TASAS DE DX

1_1_1_1_2

2_2_2_1_1

2_2_1_1_1

1_2_1_1_1

4_2_2_1_1

1_1_2_1_1

1_2_1_1_2

3_2_1_1_1

2_2_1_2_1

2_1_1_1_2

2_2_1_1_2

4_2_1_1_1

1_2_2_1_2

1_1_1_1_1

2_2_2_1_2

5_2_2_1_1

3_2_1_2_1

2_2_1_2_2

3_2_1_1_2

1_2_2_2_1

1_2_1_2_1

3_2_2_2_1

2_2_2_2_1

3_1_1_1_2

3_2_2_1_2

3_2_1_2_2

2_1_1_1_1

2_2_2_2_2

5_2_1_1_1

4_2_1_1_2

4_2_2_1_2

4_2_1_2_1

4_2_2_2_1

1_1_2_1_2

3_2_2_1_1

2_1_1_2_2

2_1_1_2_1

3_2_2_2_2

1_2_1_2_2

4_2_1_2_2

3_1_2_1_2

5_1_1_2_2

5_1_1_1_2

3_1_1_1_1

4_1_1_2_2

2_1_2_1_2

4_1_2_2_2

2_1_2_2_1

5_2_1_1_2

2_1_2_2_2

4_1_2_2_1

3_1_1_2_2

3_1_1_2_1

1_2_2_2_2

5_1_2_1_1

5_2_1_2_1

1_1_1_2_2

4_1_1_2_1

4_2_2_2_2

3_1_2_2_1

1_1_1_2_1

3_1_2_2_2

5_2_1_2_2

4_1_1_1_2

1_1_2_2_1

5_2_2_2_2

4_1_1_1_1

5_2_2_1_2

5_1_2_2_2

5_1_1_1_1

4_1_2_1_1

4_1_2_1_2

1_1_2_2_2

5_1_2_1_2

5_1_1_2_1

2_1_2_1_1

3_1_2_1_1

5_1_2_2_1

5_2_2_2_1

0%10%20%30%40%

50%60%70%80%90%

100%

Tasas de DX por perfil

Tasa DX por PerfilPromedio

GANANCIAS EN LAS TASAS DE RX

1 2 3 4 5 6 7 80.0%

5.0%

10.0%

15.0%

20.0%

25.0%

30.0%

35.0%

40.0%

Tasa de Reconexión por día

Perfil 1Perfil 2Perfil 3Perfil 4Perfil 5Perfil 6Perfil 7Total

Perfil 1 Perfil 2 Perfil 3 Perfil 4 Perfil 5 Perfil 6 Perfil 7 Total

71.9% 71.2% 78.0%68.8%

81.0%100.0%

21.4%

88.8%

Tasa de ReconexiónDiferencias significativas en las tasas de eventos

PRONÓSTICO ANTERIOR01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31

-1000

0

1000

2000

3000

4000

5000

6000

-1400

-1200

-1000

-800

-600

-400

-200

0

DX ForecastDX RealRX PronósticoRX RealChurners netos pronóstico Chruners netos real

PRONÓSTICO ACTUAL01 02 03 04 05 06 07 08 09 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30

-1000

0

1000

2000

3000

4000

5000

6000

-1500

-1000

-500

0

500

1000

1500

2000

2500

3000

DX ForecastDX RealRX PronósticoRX RealChurners netos pronóstico Chruners netos real

GANANCIAS EN LAS TASAS DE DX

1_1_1_1_2

2_2_2_1_1

2_2_1_1_1

1_2_1_1_1

4_2_2_1_1

1_1_2_1_1

1_2_1_1_2

3_2_1_1_1

2_2_1_2_1

2_1_1_1_2

2_2_1_1_2

4_2_1_1_1

1_2_2_1_2

1_1_1_1_1

2_2_2_1_2

5_2_2_1_1

3_2_1_2_1

2_2_1_2_2

3_2_1_1_2

1_2_2_2_1

1_2_1_2_1

3_2_2_2_1

2_2_2_2_1

3_1_1_1_2

3_2_2_1_2

3_2_1_2_2

2_1_1_1_1

2_2_2_2_2

5_2_1_1_1

4_2_1_1_2

4_2_2_1_2

4_2_1_2_1

4_2_2_2_1

1_1_2_1_2

3_2_2_1_1

2_1_1_2_2

2_1_1_2_1

3_2_2_2_2

1_2_1_2_2

4_2_1_2_2

3_1_2_1_2

5_1_1_2_2

5_1_1_1_2

3_1_1_1_1

4_1_1_2_2

2_1_2_1_2

4_1_2_2_2

2_1_2_2_1

5_2_1_1_2

2_1_2_2_2

4_1_2_2_1

3_1_1_2_2

3_1_1_2_1

1_2_2_2_2

5_1_2_1_1

5_2_1_2_1

1_1_1_2_2

4_1_1_2_1

4_2_2_2_2

3_1_2_2_1

1_1_1_2_1

3_1_2_2_2

5_2_1_2_2

4_1_1_1_2

1_1_2_2_1

5_2_2_2_2

4_1_1_1_1

5_2_2_1_2

5_1_2_2_2

5_1_1_1_1

4_1_2_1_1

4_1_2_1_2

1_1_2_2_2

5_1_2_1_2

5_1_1_2_1

2_1_2_1_1

3_1_2_1_1

5_1_2_2_1

5_2_2_2_1

0%10%20%30%40%

50%60%70%80%90%

100%

Tasas de DX por perfil

Tasa DX por PerfilPromedio

Perfil

Perfil-Tasa

¿Acciones?

GANANCIAAp

r-14

May

-14

Jun-

14

Jul-1

4

Aug-

14

Sep-

14

Oct

-14

Nov-

14

Dec-

14

Jan-

15

Feb-

15

Mar

-15

Apr-

15

May

-15

Jun-

15

Jul-1

5

Aug-

15

16.9%19.4%

43.2%

16.3%

45.3%

30.5%

2.9%

10.6%

14.6%

9.0%

16.4%

4.8%

11.2%

16.6%

13.0%

4.5%

14.2%

Desviación absoluta del Forecast

CONCLUSIONES Hay ganancias significativas en el poder

predictivo de los pronósticos de churn. Cada evento a pronóstico requiere un nuevo

proceso de categorización de variables, selección de variables y selección de perfiles.

En el caso presentado anteriormente las tasas de Desconexión y Reconexión son evidentemente distintos entre perfiles.

El método de selección de perfiles con la ANOVA y POST-ANOVA es un método eficiente para fines prácticos de mejorar la predicción del modelo de pronóstico.

¿PREGUNTAS?

CONTACTO Darwin Alberto Amezquita Business Partner Churn Involuntario Decision Analytics|DIRECTV Colombia Ltda Cel. (+57) 321 496 9356 Tel. 6516000 Ext. 1673 Email: alberto24d@gmail.com www.directv.com.co