Estimación de Customer Lifetime Value Mediante Técnicas Supervisadas de Data Mining en una Empresa de Retail

Abstract

El presente trabajo de titulo tiene como objetivo utilizar técnicas de data mining para determinar una metodología que permita estimar el lifetime value de los clientes de un supermercado mayorista. El comportamiento histórico de compra y variables de georeferenciación se utilizan para estimar cómo se comportará un cliente en el futuro. Este comportamiento se define como la variación porcentual del monto que desarrollará cada cliente. Para la estimación se utilizan técnicas probabilísticas y de data mining. En particular, se construyen cinco modelos basados en las siguientes técnicas: Pareto/NBD, Árbol de decisión y MLP. Posteriormente, se incluyen tres modelos ingenuos que permitan justificar el desarrollo de modelos sofisticados. El desempeño de los modelos indica que las técnicas de data mining, para el caso analizado, tienen mejores resultados en las estimaciones. Se concluye, que el modelo Pareto/NBD es conservador ya que tiende a asumir que un cliente mantendrá su comportamiento. No obstante, el modelo árbol de decisión es levemente más agresivo siendo el mejor a nivel de segmentos e individual con un error de precisión de un 55.8% a nivel de clientes y un 9.2% a nivel de segmentos. El resultado final consiste en la estimación del lifetime value a nivel de segmentos e individual de los clientes, utilizando el modelo árbol de decisión, que define un flujo monetario que se descuenta a lo largo de un periodo de tiempo. De esta manera se determina el lifetime value. Como trabajo futuro se propone definir un criterio que permita proyectar la tasa de crecimiento de los clientes a lo largo del tiempo.