Desarrollo de estrategias comerciales para potenciar la recompra de programas de educación continua en una institución mexicana utilizando técnicas de machine learning

Abstract

La Universidad Mexicana para la Innovación (UMI) enfrenta un desafío crítico: Los estudiantes no vuelven a comprar más programas con ellos, limitando su misión de aprendizaje a lo largo de la vida. Desde 2021, plataformas como EduPlus y LearnHub han captado a más de 41.000 estudiantes, pero solo el 5,9 \% ha realizado una recompra. Además, la falta de análisis efectivo de datos dificulta la personalización de estrategias y provoca una gestión ineficiente del área de Ventas, donde solo un 5,7 \% de los contactos realizados termina en una compra, reflejando una falta de efectividad en la estrategia de contacto.

En respuesta a este desafío, el proyecto busca aumentar la recompra de programas de educación continua en la UMI mediante modelos de machine learning que identifican a los clientes con mayor probabilidad de recompra. Esto permite diseñar estrategias específicas para el área de Ventas, optimizando recursos, mejorando la atención personalizada y aumentando la eficiencia operativa. Se proyecta un incremento en las ganancias de más de 3 millones de pesos mexicanos y una reducción en el tiempo dedicado por el Área de ventas a realizar llamadas, pasando de 1.066 a 320 horas.

En relación con los resultados obtenidos en la etapa de modelamiento y evaluación, el modelo Random Forest con balanceo de clases destacó como la opción más adecuada para el objetivo del proyecto. Este modelo ofrece un equilibrio entre efectividad y generalización, al no estar sobreajustado como otros modelos evaluados, como XGBoost. En particular, Random Forest alcanzó un recall del 39\% en los datos fuera de muestra y un lift de 4,7 en el conjunto de prueba, centrado en el 10\% de clientes con mayor probabilidad de recompra.

El análisis de las predicciones también permitió identificar las variables clave que aumentan la probabilidad de recompra, como la cantidad de programas visualizados dentro de la ventana de tiempo analizada y si la interacción ocurre durante el primer cuartil del año. Con base en estos resultados, se plantea segmentar a los clientes en tres grupos (alta, media y baja probabilidad de recompra), con el propósito de optimizar el contacto y diseñar estrategias específicas que mejoren la experiencia de atención y aumenten las tasas de conversión.

Finalmente, el proyecto se desarrolló con base en los requerimientos y la información disponible de la UMI, cumpliendo con los objetivos establecidos. No obstante, si se repitiera, se ampliaría el enfoque para incluir tanto la recompra como la compra inicial, analizando el embudo de ventas y explorando modelos de segmentación no supervisada para identificar patrones ocultos. Además, sería beneficioso estandarizar más fuentes de datos para enriquecer el análisis. A pesar de las limitaciones en la calidad de los datos, se lograron identificar los clientes con mayor probabilidad de recompra, lo que optimizará la gestión de ventas y permitirá priorizar a los perfiles más relevantes. Como recomendación, se sugiere a la UMI mejorar la calidad de sus datos mediante la creación de estándares de almacenamiento, diccionarios más claros y la implementación de identificadores únicos entre las fuentes.