Desarrollo de modelos de clustering y predicción de consumo para el cálculo de metas personalizadas de un consorcio de retail

Abstract

Frente a un mercado cada vez más competitivo y limitado, donde las empresas buscan captar nuevos clientes y retener a los ya existentes, surge el fenómeno de la gamificación, el cual consiste en la incorporación de mecanismos de juegos a procesos que tradicionalmente no los utilizarían. Por esto, el consorcio ha incorporado la gamificación mediante un programa de puntos, buscando incrementar el compromiso, la lealtad y felicidad de sus clientes. Dentro del programa, se ha desarrollado la personalización en la construcción de cupones, buscando que cada cliente reciba una meta de cupón que se ajuste a su consumo promedio, abriendo la oportunidad de desarrollar modelos más sofisticados que permitan ofrecer una mayor personalización a los clientes.

El presente proyecto de título busca segmentar y estimar una predicción de cuales debiesen ser estas metas para los clientes, acorde a su nivel y comportamiento de consumo, con el propósito de asignar metas personalizadas que sean más atractivas, incentiven su consumo e incrementen la sensación de cercanía entre el cliente y la empresa.

Como primer paso se utiliza la metodología CRISP-DM, donde en una primera instancia los clientes son segmentados mediante clustering, aplicando el modelo K-Means en conjunto con una variante del modelo RFM, que en este caso considera la tendencia, frecuencia y monto promedio de compra del cliente en los últimos periodos, permitiendo categorizar a los distintos tipos de clientes en las categorías estudiadas. Se obtienen clústeres heterogéneos dentro de cada categoría, permitiendo afirmar la posibilidad de extender este procedimiento y análisis a otras categorías.

Posteriormente, se predicen las metas para cada uno de los clientes utilizando modelos de regresión que incorporan variables demográficas, comportamentales y transaccionales. Los modelos evaluados son Linear Regression, Decision Tree Regression, Random Forest Regression y XGBoost Regression. Los errores obtenidos son altos, superando el 20%, lo cual es atribuible a la gran variabilidad presente en las compras de los clientes por categoría. Sin embargo, se logra predecir de mejor forma que la estimación utilizada actualmente por la empresa, donde el modelo XGBoost Regression resulta ser el que logra predecir con menor error, además de presentar una mejor interacción con las demás etapas del sistema de construcción de metas, permitiendo disminuir el error de estimación actual aproximadamente en un 10%.

Se propone un diseño experimental que permitiría medir los efectos de la implementación del nuevo sistema de cálculo de metas personalizadas, además de una estimación del impacto económico que significaría, obteniendo resultados satisfactorios, pero que debiesen ser acompañados de una mayor difusión del programa para generar un mayor impacto.

En conclusión, se recomienda incorporar los modelos desarrollados, pues mejoran la predicción actual y permiten incrementar el nivel de personalización de los cupones de puntos. Como trabajo futuro se sugiere incorporar el impacto de la estacionalidad y promociones en las categorías.