"Modelo de inactividad de clientes taxistas para una Distribuidora de Combustibles Nacional"

Abstract

En los últimos años, cada vez han ido tomando mayor importancia los programas de fidelización en empresas, los que permiten manejar información personal de clientes, para luego planificar acciones comerciales acordes a distintas situaciones que se puedan presentar. El trabajo desarrollado se enmarca en este contexto, donde se presenta una distribuidora de combustibles que dispone de un programa de fidelización para taxistas, el cual ha disminuido su actividad en el último tiempo, bajando el consumo de gasolina, así como también la cantidad de clientes activos. Lo anterior representa un problema para la compañía, que se aborda definiendo como objetivo general, la identificación de taxistas propensos a la inactividad del programa de fidelización, mediante un modelo de predicción que permita optimizar campañas de retención de clientes vía marketing directo. Para el modelamiento, se emplea la metodología KDD sobre una base de datos transaccional de la compañía, así como también una técnica conocida como RFMC, que permite clasificar quincenalmente a cada taxista en uno de 5 segmentos posibles. Basado en esos segmentos, se define la variable a predecir ( Inactividad ) en cada macro grupo de clientes (3 posibles: Tarjetas, App y Tarjetas y App) y se ejecutan distintos modelos (cadenas de markov, árboles de decisión, random forest y logit), comparando luego sus resultados, y eligiendo los mejores en base a la maximización de la métrica ROC AUC. Las conclusiones y principales hallazgos se centran en que sí es posible hacer el modelamiento de inactividad de taxistas, siendo random forest el modelo de mejor desempeño, alcanzando 85%, 83% y 87% en ROC AUC para los grupos Tarjetas, App y Tarjetas y App, respectivamente; y su utilización en campañas supondría un ahorro considerable en costos, los que se estiman en aproximadamente 37%, 53% y 76% para los 3 grupos anteriores. Cabe destacar que los modelos tienen la particularidad de poder predecir si un cliente se va a inactivar o no sólo analizando variables transaccionales de la última quincena de actividad, lo que entrega una alta capacidad de respuesta en el corto plazo a la compañía, sin la necesidad de tener que esperar observar variables acumulativas. Lo anterior además lleva a inferir que los taxistas analizados presentan un comportamiento de compra más bien definido en el tiempo inmediatamente anterior a su inactividad, donde generalmente, compran montos bajos y realizan pocas transacciones. Dicho esto, distintas recomendaciones comerciales son propuestas, siendo la principal, la utilización de los modelos en futuras campañas de retención del programa. Así también, se entregan posibles lineamientos de trabajos posteriores, que sirvan como complemento al trabajo ya realizado.