Mejoramiento de un modelo de targeting de clientes de telefonía móvil usando análisis de redes sociales y minería de datos

Abstract

En los últimos años, la industria de las telecomunicaciones se ha ido desarrollando en un escenario muy competitivo, lo que ha llevado a las compañías a enfocarse en lograr una relación rentable y de largo plazo con sus clientes. El problema surge cuando se quiere decidir con qué clientes construir dicha relación, cuya solución se basa en el concepto de targeting, el cual tiene por objetivo identificar a los clientes sobre quienes se realizarán acciones para retener e incrementar su valor. En este caso se quiere estudiar, en términos de adopción y rentabilidad, el desempeño de un modelo que selecciona el conjunto de clientes a quienes, a través de una campaña telefónica, se les ofrece un producto de telefonía móvil. Las compañías han utilizado el enfoque de selección basándose en los atributos sociodemográficos y comerciales de sus clientes, sin considerar el efecto que podrían tener sobre las decisiones de éstos sus amigos, familiares o cercanos. Es por esto que se plantea un modelo de targeting que incorpore atributos sociales extraídos de la red de teléfonos móviles de ca- da cliente. Adicionalmente, se propone estudiar la influencia que podrían tener adopciones previas de sus amigos sobre la adopción propia del cliente en estudio. Los modelos de targeting social fueron construidos en base a diversas técnicas de clasificación y diferentes configuraciones del conjunto de entrenamiento, estructuras que son probadas a través de una serie de experimentos que permiten comparar los resultados y establecer cuál es el modelo con la mayor capacidad para resolver este problema. La calidad de dichos modelos se evalúa en dos etapas diferentes. En una primera instancia se comparan los resultados obtenidos con los entregados por el modelo base que no incorpora atributos sociales, comparación que se realiza a través del número de aciertos acumulados que logra cada modelo en los cortes del ranking de clientes. Por otro lado, en una segunda fase se busca identificar la técnica de clasificación utilizada que mejores resultados entrega y la configuración del conjunto de entrenamiento que resulta en la mejor capacidad de predicción de adopciones. El hecho de que la incorporación de los atributos sociales de los clientes no mejore por sí mismo el poder de predicción de los modelos de targeting, pero que sí lo haga la combinación de los resultados del modelo social con los del modelo base de comparación, resultó ser el mayor descubrimiento de este trabajo. Esto deriva en que para lograr modelos de selección efectivos es necesario combinar algunos de ellos que estén construidos en base a diferentes técnicas de clasificación, ya que éstas permiten identificar clientes de diversos perfiles, ele- vando la capacidad de predicción de los mismos. En este caso, la agregación de datos en el conjunto de entrenamiento y la combinación de aciertos de los modelos permiten incrementar en promedio en un 8 % el desempeño del modelo, alcanzando un nivel de aciertos de un 89 %.