data mining el arte de anticipar

8/11/2019 Data Mining El Arte de Anticipar

http://slidepdf.com/reader/full/data-mining-el-arte-de-anticipar 1/166

DataMiningEl arte de Anticipar

Claudio Palma

Wilfredo Palma

Ricardo Pérez

10 casos reales



DATA MININGEl Arte de Anticipar



RILeditoresbiblio diversidad



DATA MININGEl Arte de Anticipar

Claudio Palma

Wilfredo PalmaRicardo Pérez



001.6 Palma, Claudioet al.P Data mining. El arte de anticipar / Claudio Pal-

ma et al. – – Santiago : RIL editores,2009 .

156 p. ; 21 cm. ISBN:978-956-284-711-7

1 . -. .

Data mining.El arte de anticipar

Primera edición: diciembre de2009

© Claudio Palmaet al. , 2009

© RIL® editores,2009Alférez Real1464

750-0960 ProvidenciaSantiago de Chile

Tel. (56-2) 2238100 2254269

Composición, diseño de portada e impresión: RIL® editores

Printed in Chile

ISBN978-956-284-711-7

Derechos reservados.



SUMARIO

Prólogo .......................................................................................13Agradecimientos .......................................................................... 15

D ................................................Empresa y valor .......................................................................... 19La revolución informática ........................................................... 26

D ................................................................Origen del Data Mining .............................................................. 37¿Qué es data mining? .................................................................. 43Casos prácticos ...........................................................................C . B ....................................................... 55Problemas en el frente interno ..................................................... 57

Atacando el problema: ¿qué hacer? ............................................ 58Utilizar el Behavior Scoring ......................................................... 60 .................................. 61

C . P .................................................... 63Tracking publicitario y ventas ..................................................... 65Venta de Inercia .......................................................................... 67Venta Sensible ............................................................................. 68Venta Casuística .......................................................................... 69Cuatro campañas ........................................................................ 69

.................................. 71

C . L ........................................................ 73La juguera ................................................................................... 75 Juguera y crisis nanciera ............................................................ 77La juguera por dentro ................................................................. 78



Oportunidades para mejorar ....................................................... 80 .................................. 82

.......................................................... 83Anticipar la fuga ......................................................................... 85Las fuentes .................................................................................. 87Cinco tipos de clientes ................................................................. 88Hacia un modelo de fuga ............................................................ 89Tomando la delantera.................................................................. 91

.................................. 93

C . T ........................................................ 95Un caso de Trade Marketing ....................................................... 97

.............................................. 97Plan Rojo .................................................................................... 99¿Cuánta venta aporta Plan Rojo? .............................................. 100Saliendo del túnel… .................................................................. 102

................................ 105

C . ROI ............................................................................. 107ROI, un amigo de todos ............................................................ 109Aislar, medir y comparar ........................................................... 110Descubriendo el numerador ...................................................... 112

.............................................................................. 114 ................................ 115

C . C .......................................... 117Comienza la búsqueda .............................................................. 119Desenmascarando a los sospechosos ......................................... 120Mirando los datos .....................................................................121Tengo el scoring y ahora ¿qué? .................................................. 122

................................ 123



C . K ......................... 125Una gran pregunta .................................................................... 127Una base de datos pequeña ....................................................... 128

Claves de satisfacción ................................................................ 129 ................................ 131

C . K ................................ 133Me gusta… no sé por qué .......................................................... 135Petroleum .................................................................................. 136El esfuerzo de Petroleum ........................................................... 137El vendedor me vio.................................................................... 138Me saludó ................................................................................. 140Sonrió al despedirse................................................................... 141

......................................................................... 142Protocolo con bases pequeñas de muestras representativas ........ 143

................................ 145

............................... 147Un caso de epidemiología .......................................................... 149Metodología .............................................................................. 1497 factores de riesgo.................................................................... 150

......................................................... 151El factor étnico .......................................................................... 153

................................ 153

Sobre los Autores .....................................................................



Música » se escribede forma extraña peroilumina la vida.

Data Mining » seescribe de formaextraña pero ilumina elnegocio.



,

13

Prólogo

D , está di-rigido a personas que trabajan en compa-

ñías e instituciones que acumulan día a día datosnuevos.

La revolución informática, la acumulacióncada vez mayor de información y el desarrollo demétodos estadísticos avanzados para el análisis dedicha información son el escenario en que surge elData Mining.

Los métodos de Data Mining combinan el

proveniente de encuestas y variables macroeconó-micas, con información de fuentes internas de laorganización.

relación entre una marca y sus clientes.

Data Mining complementa lo anterior con

permanentes o esporádicas en la historia cam-biante de la propia empresa.



14

Al descubrir los elementos estables o coyuntu-

rales dentro de una secuencia de escenarios inesta-bles, hace posible estimar cómo será la compañíao institución en los días que vienen. Es en estesentido que resulta justo y apropiado armar queData Mining es anticipar .



,

15

Agradecimientos

Agradecemos especialmente a los clientes queplantearon el desafío inicial y nos acompaña-

ron en el descubrimiento de nuevas oportunidadesen cada uno de los diez casos reales que aquí se

presentan.Queremos agradecer también a los amigos,clientes, colegas y colaboradores del equipo deASIA arketing, un núcleo de trabajo que a pocoandar se convirtió en un espacio interdisciplinarioentretenido donde tratamos de cultivar la capaci-

dad de asombro.



DATA MINING¿De dónde viene?



20

el consumidor nal tiene la lucidez suciente para

hablar por sí mismo de lo que para él es valioso o no.Ahora bien, necesitamos precisar que el hecho

de que el consumidor sea quien dene el valor nosignica que este sea siempre evidente y obvio.En realidad, la mayor parte de las veces, lo quees valioso para el consumidor está en un nivel

sumergido. La disciplina que desarrolla métodosy protocolos para llegar a esa información y des-cifrarla se llama «metodología de investigación»y se nutre de especialidades tan diversas comopsicología, sociología, antropología, estadística,economía, comunicación, y otros campos vincu-

lados directa o indirectamente con el estudio dela conducta humana.

-

niveles. El primer nivel es «público», en el sen-tido de que se trata de un discurso común en la

opinión pública, basado en ideas, asociaciones yconnotaciones ampliamente compartidas por lamayoría de las personas. Aquí el consumidor se

y sin censura. Es plenamente consciente de qué legusta y qué no le gusta, cuánto le gusta o disgusta



,

21

y las razones de ello. Y es probablemente lo que

de un estudio de mercado, pues es un discursodel consciente colectivo elaborado con términosusados habitualmente por la oferta y demandadel producto o servicio en cuestión.

En un segundo nivel, llamado «privado»,

pública, pues está basado en ideas, asociaciones

con claridad conceptual y solvencia verbal. Ladiferencia fundamental con el nivel anterior es

que ahora hay autocensura. El criterio de lo quees políticamente correcto o socialmente adecuadoltra los contenidos que maniesta el consumidor,y disfraza o suaviza su verdadero nivel y razones desatisfacción o insatisfacción. Aquí el consumidor

cosas y calla otras. Decide intensicar algunos con-

sobre el n último de la conversación lo motivana priorizar, enfocar o enfatizar su discurso sobreel valor que le aporta o no un producto o servicio.

En un tercer nivel, llamado «inconsciente»,el mismo consumidor siente agrado o desagrado



22

hacia un producto o servicio pero no logra verba-

lizar las verdaderas razones de ello, pues son temassobre los cuales no ha pensado antes o simplementequedaron archivados en la memoria sin un rótu-lo verbal que permita identicarlos dentro de sumente. Nos encontramos con actitudes positivas,neutras o negativas hacia un producto o servicio,

de su satisfacción o insatisfacción con un productoo servicio especíco, abundan las respuestas «nosé» o simplemente la persona no responde y quedaen silencio mirando a quien la entrevista.

El valor de un producto o servicio reside enel cliente. Reside en algunos de estos tres niveles:público, privado o inconsciente. Pero, además, encada uno de estos tres niveles hallamos dos formasde valor: emocional y racional.

-

periencia de consumo provoca un estado de satis-facción o insatisfacción psicológico y corporal. Elconsumo de un producto o servicio nos pone enun estado de bienestar en que el cuerpo reaccionasin que lo podamos gobernar, alterando nuestracapacidad de atención y haciendo manifestaciones



,

23

involuntarias, como movimientos oculares, muscu-

lares, faciales, y notorios cambios en nuestra voz,en el sistema endocrino en la forma de lágrimas,salivación, sudor u otros. Es tan importante sentiremoción que incluso estamos dispuestos a pagarpara que nos emocionen. Pagamos para que noshagan reír, pagamos para que nos hagan llorar,pagamos para que nos hagan sentir inseguros…por unos segundos, pagamos para que nos hagansentir miedo. Pagamos para que nos hagan sentir.

-periencia de consumo nos provoca un estado desatisfacción más bien conceptual. El consumo

de un producto o servicio cambia las posicionesde los actores dentro del mapa o nos pone en unnuevo mapa. Cambian por ejemplo los conceptosde nosotros mismos o de los demás. La percepciónde una buena relación de costo-benecio, la ideade haber protagonizado una buena negociaciónnal son ejemplos de benecios racionales.

No es nuestro propósito ahondar sobreestos aspectos. Solo queremos mostrar en quéestábamos trabajando cuando comenzó a ocurrirel cambio del siglo veinte al siglo veintiuno. Enmedio de la revolución informática, del progreso



24

signicativo del análisis computacional de datos

y de la creciente disponibilidad de grandes masasde datos frescosonline , se abrió una nueva fuen-te de información de riqueza insospechada quebrinda la oportunidad de apoyar la construcciónde relaciones mutuamente beneciosas de largoplazo entre las marcas y los consumidores nales.Y hemos aceptado gustosos este desafío.

que registran características personales, familiares,socioeconómicas, conductas de compra y conductasde pago la llamamosData Mining .

Desde nuestro quehacer entendemos el Data

Mining como una nueva forma de analizar infor-mación, que viene a complementar las formas deinvestigación de mercado que nacieron y se per-feccionaron durante el siglo veinte.

El Data Mining abre una nueva dimensiónen el diseño de estudios de mercado, levantamien-to de datos y análisis. Todo ello habitualmenteen comunicación con las áreas de marketing deempresas fuertemente orientadas al cliente y queadministran marcas en medio de mercados alta-mente competitivos, donde el descubrimiento deuna nueva oportunidad puede ser la base de la



,

25

construcción de una nueva ventaja temporal sobre

la competencia. Nuestro compromiso es entregar que sirva como arcilla para crear ventajas compe-titivas de corto y mediano plazo.

-zado nos permite descubrir las claves principales en

las decisiones del consumidor. Nos motiva el deseode ayudar a descubrir nuevas formas de agregarvalor al consumidor nal.



26

La revolución informática

Hay dos tipos de máquinas en la historia delhombre. Las del primer grupo ayudan a

realizar actividades de esfuerzo físico como lostelares, carretas, barcos, camiones, perforadoras yascensores. Las del segundo grupo son máquinas

que ayudan a pensar. Hagamos un sucinto viajedesde el ábaco hasta el computador personal móvil.

Una de las primeras máquinas ayudantes delpensamiento fue el ábaco, con el cual una personapuede realizar cálculos matemáticos, por medio decuentas, superando rápidamente la velocidad de

su cálculo mental. Con el ábaco el cálculo se hizomás rápido y más certero. Desde el siglo dieciséisen adelante se inventaron varias máquinas sos-ticadas que también realizaban cálculos matemá-ticos pero por medio de mecanismos elaboradosa partir de rodillos y engranajes. El cálculo pudoprogresar y se hizo no sólo más veloz y más precisosino también más complejo gracias a la mecánica.Incluso a principios del siglo veinte, las máquinasde cálculo fueron más rápidas aún gracias al aportede la electricidad.



,

27

A mediados del siglo dieciséis John Neper

desarrolló las tablas que llevan su nombre, esque-mas logarítmicos que fueron la base para futurasmáquinas de calcular. A su vez, a principios delsiglo diecisiete, Wilhelm Schickard inventó unamáquina de cálculo basada en las tablas de Neper,que podía sumar, multiplicar y dividir en formasemiautomática.

El siguiente hito lo produjo Blaise Pascal amediados del siglo diecisiete, con su rodillo suma-torio múltiple. Años más tarde, Leibniz inventó unsistema de multiplicación basado en sumadoresdiseñados por Pascal accionados con una manivela.

Tiempo después Thomas inventó una máquina decalcular y comenzó a comercializarla.

-ventó la primera máquina accionada por teclas,que realizaba cálculos a una velocidad nuncaantes imaginada. Poco tiempo después, Holle-

rith a quién le interesaba optimizar el censo delos Estados Unidos, inventó una máquina paratabular mediante tarjetas perforadas.

Aiken, de la Universidad de Harvard, construyóuna máquina electromecánica para resolver ecua-



28

ciones diferenciales, se la llamó Mark I. A su vez,

en la década de los cuarenta aparece un nuevotipo de máquina que apoya las habilidades depensamiento y cálculo del ser humano: estos sonlos grandes computadores. Ellos, a diferencia de lasmáquinas de calcular electromecánicas, consistían -

moria de condensadores y circuitos electrónicos;fueron llamadas máquinas electrónicas. Al ser suproceso totalmente automatizado eran más rápidosque las máquinas electromecánicas. Sus desventajasconsistían en que como eran tan grandes y pesadaspodían ocupar varias habitaciones fácilmente; elgasto de electricidad era muy alto, tan alto quea veces dejaban sin energía a toda una manzana.Estas máquinas usaban en su procesamiento tubosal vacío, que comunicaban la electricidad y se que-maban con facilidad.

A nes de los años cincuenta, la invenciónde los transistores da un nuevo impulso a estasmáquinas electrónicas que ayudan al pensamientohumano en el ambiente universitario de los paísesmás desarrollados de la época. Los transistores, adiferencia de los tubos al vacío, eran bastante máspequeños, veloces y durables, además de que elconsumo energético era signicativamente menor.



,

29

De todas formas los computadores con sistema de

transistores, a pesar de haber reducido su tamaño,continuaban siendo grandes, pues tenían la mag-nitud de una pieza de diez por diez metros. Estosnuevos computadores ampliaron su presenciahacia otras esferas de actividad y comenzaron aser utilizados por universidades en departamentosde investigación, por ministerios de gobierno, poralgunos departamentos estatales e iniciaron supresentación en grandes empresas.

En los años setenta se inventa algo que vendráa cambiar para siempre la vida de los computado-

una calculadora y una de sus características es que

alcanzado por el cálculo mental. Aprovechando laspropiedades de ese microprocesador y su pequeñoporte, a mediados de la década de los setenta secrean los primeros videojuegos.

A principios de los ochenta surge el primercomputador personal. Estos aparatos ahora se pue-den instalar en cualquier escritorio y en cualquierhorario. Otra característica es aún más signicativa



30

para la historia de la humanidad: al computador lo

puede utilizar cualquier persona que no sea necesa- este hecho comienza a producir la masicacióndel computador a todo nivel de la sociedad y losámbitos de aplicación comienzan a multiplicarsedía a día en diversas áreas de necesidad humana.

A nes del siglo veinte los microprocesadoresmejoran en forma sustantiva. Crecen las memoriasRAM Random Access Memory que guardan mucha información en un instante.Aumenta la capacidad de los discos duros dememoria pasiva, que está lista para ser utilizada

en cualquier momento. Nacen nuevos sistemasoperativos más accesibles y amigables para losusuarios. Y se desarrollan más y más programas deaplicación con más utilidades, cubriendo un amplioabanico de necesidades de apoyo al pensamientohumano, desde el consumo hasta la asistencia aservicios profesionales de alta especialización. Losmismos computadores se convierten en compañíae impulso para nuevas carreras en la línea de li-cenciaturas orientadas a la investigación complejacon grandes masas de datos.



,

31

Pero aún había más por conocer. Cuando toda-

vía no terminaba el siglo veinte y los computadorespersonales estaban en pleno desarrollo, aparece lared de Internet que revoluciona las comunicacionesy abre un nuevo canal masivo de información ycomunicación potencial entre los habitantes delplaneta sin restricción. Desde cualquier parte delmundo se hace posible comunicarse con cualquierpersona, cualquiera sea su idioma o el continentedonde esté. Esta revolución tecnológica ha con-vertido el cambio en algo permanente, al puntode que la prensa todos los días informa de nuevoshallazgos, de nuevas tecnologías y perfecciona-mientos de los recursos disponibles en este campo.Todo cambia. Nada persiste igual por demasiadotiempo en la educación, la familia, la industria, laeconomía, las comunicaciones, la información, lacultura, el Estado y las empresas.

Por otro lado, la misma acumulación de gran-des volúmenes de datos diarios en las empresasauspició el nacimiento de una nueva forma dehacer negocios. Ahora, el cliente que antes eraanónimo se hizo visible e identicable, permitiendodesarrollar protocolos de servicio y atención mása la medida de sus necesidades particulares. Hoy



32

las compañías se adelantan a los requerimientos

futuros de sus clientes.El registroonline de información sobre la

marcha del negocio está produciendo una acumu-lación progresiva de grandes masas de datos que,en sí mismos, son una fuente de riqueza para lapropia empresa. En elretail por ejemplo, segundo

a segundo se registran los datos de cada venta: ellocal donde se realizó, el departamento, la sección,el tipo de producto, su tamaño, su color, su precio,

pago fue la tarjeta de crédito de la propia tienda,

y dirección del tarjetahabiente comprador, lo quea su vez permite conectar esta información con sulímite de crédito y su comportamiento de pago.

La disponibilidad progresiva de grandes volú-menes de información detallada minuto a minuto

de la base de datos de una compañía permite lim-piar la cartera de clientes de los malos pagadores,anticipar las conductas de riesgo de no pago, pro-



,

33

fundizar la relación con los diferentes segmentos

y hallar nuevas oportunidades para agregar valoral cliente y hacer nuevos negocios con él o conprospectos del mismo perl.

Data Mining surge como una nueva activi-dad propiciada por la revolución informática yla progresiva profesionalización del análisis com-

putacional de datos. Vamos a pasos agigantadoshacia una red de conectividad personal móvil totaly permanente, acompañada de un comercio queenriquece sus conceptos de la mano del Data Mi-ning. La informática ha producido un proceso detransformación tan vasto en la sociedad humana

que aún no es posible comprender las posibilidades circunstancias de asombro y cambio permanente,nos asomamos al amanecer del siglo veintiuno.



or Cyri l Pl apie d extraí do de Flic kr



DATA MINING¿Qué es?



37

Origen del Data Mining

La acumulación progresiva de grandes masasde datos provenientes de fuentes diversas, la

gran capacidad de procesamiento proporcionadapor la revolución informática y la necesidad dedesarrollar ventajas competitivas, han dado origen

a una actividad llamada Inteligencia de Negocios Business Intelligence conjunto de protocolos y recursos destinados a lacreación de conocimiento mediante el análisis de

El compromiso distintivo de un área de

Inteligencia de Negocios,Business Intelligence,Marketing Intelligence, Insights Department u

una empresa para contribuir a la visión y toma dedecisiones a corto y largo plazo, en un ambientede competencia.

Se usan datos de la propia compañía, infor-mación del entorno competitivo, e informacióndel entorno macroeconómico, en tres momentos:pasado, presente y futuro. Según la profundidad y

se pueden identicar tres tipos de resultados:



38

explotación descriptiva que nos dice cómo son

las cosas;explotación explicativa que identicapor qué las cosas son como son; yexplotación de pronóstico, que nos dice cómo serán las cosas enun futuro condicionado.

Hacia los noventa la inteligencia de negociossurgió como una actividad estrechamente vincu-

para colaborar con la inteligencia de negocios en elanálisis y la presentación de la información.

Uno de los primeros logros fue el surgimientode tablas con resúmenes ejecutivos visuales con la

información de la marcha de la empresa. Estos re-súmenes permiten una comprensión rápida y globalde las condiciones del negocio mediante métricase indicadores de desempeño clave.

La Inteligencia de Negocios es el compromisode transformar los datos en información relevante,

-miento superior que permita optimizar el procesode toma de decisiones en los negocios. Una puestaen escena solvente de un área de Inteligencia deNegocios ilumina diferentes niveles conjugandocinco verbos:Observar ¿qué está ocurriendo?,



,

39

Comprender ¿por qué ocurre?,Predecir ¿qué

ocurriría?, Proponer ¿qué debería hacer el equi-po?, y Decidir ¿qué camino se debe seguir? Lainteligencia de negocios es y actúa como un factorestratégico para generar ventajas competitivas.

información acerca del consumidor de las bases

de datos, mediante la utilización de aplicacionesque pueden aislar e identicar patrones o tenden-cias del consumidor en un alto volumen de datos,pudiendo identicarse desde métodos estadísticos,descriptivos e inferenciales, hasta redes neuronales.

La Minería de Datos oData Mining consiste

de manera implícita en los datos. Dicha informa-ción es previamente desconocida y podrá resultarútil para algún proceso. En otras palabras, la mi-

para sacar la información oculta en ellos, de modo

que un pequeño hallazgo, una pequeña relación quese descubre, puede ser un hecho de alto impactoen las ventas de la compañía.

Las bases del Data Mining se encuentran enla evolución de la computación y en el análisisestadístico. Es natural que el primer énfasis de de-



40

sarrollo de la minería de datos se haya apoyado en

soluciones cerradas de programas computacionalesespecializados, que como verdaderas cajas negrasprometían que un correcto ingreso deinput ase-guraba un output valioso. Tanto el alto costo deestas solucionesblack box en apogeo en los añosnoventa, como los pobres resultados de estas enor-mes inversiones, fueron empujando poco a pocoa las compañías a pensar en la necesidad de unasolución alternativa. La frustración con la solucióntecnológica de los noventa empujó a apostar porel fortalecimiento de un cuerpo profesional espe-cialista interno.

Al comenzar el siglo veintiuno, las áreas deInteligencia de Negocios usan con libertad los re-cursos computacionales de los noventa pero ya noestán limitados a ellos. Emerge con fuerza el perlmás profesional, humano e interdisciplinario deun área que usa distintas estrategias para cumplirsus compromisos de construir conocimiento comoventaja competitiva.

Este nuevo énfasis profesional, más que tec-nológico, también se maniesta en la actividadde Data Mining debido a la creciente necesidadde incorporar, en forma creativa, información



,

41

de un entorno cada vez más cambiante y a todas

luces in uyente en la marcha de los negocios decada compañía. En la práctica, el respaldo de soft-

a segundo plano y se reconoce mayor relevanciaa la composición del equipo humano de trabajo,valorándose progresivamente su diversidad.

El énfasis profesional recibe un segundoimpulso al constatarse que pocas veces los datosdisponibles dentro de la compañía contienen lainformación necesaria. El impacto de las variablesdel entorno macro y la necesidad de estimar losmovimientos de la competencia sugieren que es

deseable incorporar, desde el inicio, una miradaamplia del entorno real.

Data Mining se ha transformado en los últi-mos años por efecto de cambios tecnológicos enpuntos de venta, nuevas estrategias de marketing,nuevos conceptos de pricing , tiendas virtuales,

etc. Así, están cobrando relevancia los datos no tiempos de respuesta, mayor volumen de datos, ynecesidades de respuesta en tiempo real. El futurodel Data Mining como actividad al servicio de laInteligencia de Negocios será más brillante en la



42

medida en que se generen equipos profesionales

interdisciplinarios vigilantes de las oportunidadesde negocio desde la óptica y sensibilidad de cadauno, bajo la orientación de un mismo compromisocomercial unicador.



,

43

¿Qué es data mining?

Data Mining consiste en un conjunto de meto-dologías estadísticas y computacionales que,

junto a un enfoque desde las ciencias de la conduc-ta, permite el análisis de datos y la elaboración demodelos matemáticos descriptivos y predictivos de

la conducta del consumidor.Hay innumerables áreas de aplicación de DataMining y sus metodologías. Técnicas desegmen-tación o agrupamiento se aplican a problemas de

análisis de regresión se aplica a estudios

de asociación de factores sobre una respuesta deinterés variable, como por ejemplo: ¿cómo afectael nivel educativo en decisiones de consumo de unproducto? Asimismo, elanálisis econométrico seaplica al estudio del comportamiento de variableseconómicas o nancieras.

En muchas ocasiones estamos interesados endistinguir entre diversos grupos de objetos o indi-viduos. Esto nos permite describir o comprendermejor el mundo a nuestro alrededor, así como nosabre a la posibilidad de predecir futuros eventos.El nombre técnico para este proceso de diferencia-



44

ción essegmentación , que signica la formación de

grupos o clases de objetos o individuos con com-portamientos o atributos similares. Así, un bancopodría desear clasicar a sus potenciales clientesentrebuenos o malos pagadores a partir de ciertosfactores o atributos tales como historial nanciero,actividad o profesión, ingreso, género, edad, entremuchos otros aspectos.

Por lo general, las metodologías estadísticaspara segmentar son de carácter multivariado encuanto involucran el análisis de múltiples variablesconjuntamente, ya seannuméricas , como el ingreso,la edad, onominales como el género o la actividad.

Los métodos descoring o puntajes son casos par-ticulares de técnicas de segmentación, en los cualesse asigna un puntaje a cada individuo y luego seclasica de acuerdo con dicho puntaje. Entonces,para el caso del banco, los potenciales clientes po-drían recibir un puntaje de evaluación ocredit scoreentre 0 y 1000. Una vez establecido un puntaje decorte, por ejemplo 700 puntos, todo potencial clienteevaluado con puntaje mayor a este valor se clasicacomobueno y, por el contrario, todo postulante queobtiene un puntaje menor a este punto de corte seclasica comomalo



,

45

de scoring o segmentación, algunas de las cuales

presentamos a continuación.Entre las técnicas multivariadas más utili-

zadas para segmentación se incluyen el análisisdiscriminante, la regresión logística, el análisis deconglomerados, los arboles de regresión y clasi-cación, y las redes neuronales. Cada una de estas

metodologías está basada en ciertos principiosde clasicación.

El análisis discriminante trata de discernirentre poblaciones de individuos por medio deuna función discriminante . Este método suponeque las poblaciones bajo estudio provienen de

una distribución de probabilidad conocida, usual-mente distribución normal. Una vez especicadala distribución de cada una de las poblaciones, elmétodo trata de distinguirlas usando funcionesdiscriminantes tales como la distancia deMa-halanobis o la función de Fisher . A partir de un

cierto valor de esta función el individuo o casopertenece a una clase y, bajo ese valor, pertenece



46

Ilustración 1. Análisis Discriminante: dos poblaciones se-

paradas por la función discriminante indicada por la líneanegra. En este caso, la gran mayoría de los individuos quedabien clasicada; sin embargo, el individuo Nº 1 en el gruposuperior izquierdo y el individuo Nº 2 en el grupo inferiorderecho son ejemplos de mala clasicación.

En una regresión logística se trata de discri-

minar entre dos grupos de individuos a partir defactores o variables asociadas a dichos individuos.Por ejemplo, una segmentación entre clientesbuenos y malos basada en atributos como activi-dad, ingreso, edad, empleo y género. Este métodosupone que las dos poblaciones tienen una distri-

Nº 1

Nº 2



,

47

bución Bernoulli, es decir con dos valores posibles

como el lanzamiento de una moneda, donde cadaindividuo tiene una probabilidad de ser unbuen cliente. Una función de esta probabilidad, llama-da logit o logito , depende en forma lineal de losfactores actividad, ingreso, edad, empleo y género.Cabe hacer notar que en algunos casos, se consi-deran variables articiales para especicar nive-les para otras variables. Por ejemplo, se puedenespecicar tres niveles para la variable ingreso:bajo, medio y alto.

En elanálisis de conglomerados se busca con-formar grupos de individuos con características

parecidas de acuerdo con uno o más criterios. Unconglomerado es un grupo de casos, o individuos,relativamente homogéneos entre sí y distintos delos otros casos. Una de las técnicas más utilizadaspara este n es el uso de medidas de distancia en-tre individuos o casos tales como el concepto devecino más cercano . Por ejemplo, podríamos tratarde agrupar las marcas de vehículos en términos dedos dimensiones: rendimiento y conabilidad. Deacuerdo con estas variables, podríamos situar enun mismo conglomerado a las marcas japonesasy en otros dos a las marcas estadounidenses yeuropeas, respectivamente. Las marcas japonesas



48

siendo de alto desempeño y conabilidad, las mar-

cas estadounidenses siendo de bajo rendimiento yconabilidad, y las marcas europeas siendo de altorendimiento pero de baja conabilidad.

En contraste con los modelos de regresiónlogística que suponen una relación lineal entrelas variables o factores y la probabilidad de cada

clase, en unárbol de regresión y clasi cación deltipo CART Classi cation And Regression Tree , por

Está basada en niveles o rangos de las covariables.Consideremos por ejemplo un estudio de la proba-bilidad de accidente para conductores mayores de

18 años. Un modelo deregresión logística podríaconcluir que esta probabilidad decae a medida queaumenta la edad del conductor. Sin embargo, unmodelo de árbol de clasicación podría distinguirque esta relación entre edad del conductor y pro-babilidad de accidente es no lineal. Por ejemplo,podría establecer que hay un nivel alto de proba-bilidad de accidente entre los 18 y 30 años, luegodecae y comienza a subir nuevamente a partir delos 65 años. Este tipo de análisis por rangos dela variable edad podría ser más adecuado en este



4 9

Ilustración 2. Árbol de Clasicación: Ejemplo de clasicación del nivelbasada en la edad del conductor.



50

Por otra parte, una red neuronal arti cial o

RNA es un dispositivo de aprendizaje que tratade emular el funcionamiento del cerebro. Es unmodelo basado en varios niveles o capas. A mayornivel de complejidad de una segmentación, másniveles son necesarios para describirla. Una RNAse puede pensar como un sistema de entrada-salidaen que la entrada son las covariables y la salida esuna condición. Por ejemplo, la entrada podría serla edad y nivel de educación de una persona y lasalida su nivel de ingreso. UnaRNAasigna pesos acada uno de los valores de las variables de entraday los asocia con una función de salida. Podemosentrenar una RNA, es decir enseñarle a asignarlos pesos adecuados, para que pueda estimar elvalor del ingreso de un individuo de acuerdo a losvalores de las variables de entrada. Estos modelosson ampliamente utilizados para describir sistemascomplejos y descubrir relaciones entre variables. Enun ejemplo bien conocido de aplicación deRNAen

Estados Unidos, se trata de descubrir qué variablesdel tipo género, raza, país de origen, nivel educati-vo, etc., son las más in uyentes en determinar si uncierto individuo tiene ingresos superiores a 50 mildólares anuales. En este caso, por medio deRNAse encuentra que el factor más decisivo es el país



,

51

de origen seguido por la educación y la ocupación

http://archive.ics.uci.edu/ml/ datasets/Adult

En el ámbito del estudio de variables queevolucionan en el tiempo, por ejemplo variableseconómicas o nancieras, hay técnicas especícasde Data Mining tales como elanálisis de series

de tiempo y la econometría . Estas metodologíasestadísticas permiten modelar la dinámica de lasvariables, ya sea en forma individual o conjunta-mente, y predecir futuros comportamientos.

En resumen, aquí hemos revisado brevemen-te algunos de los métodos más utilizados para

la segmentación de individuos y hemos revisadosucintamente algunas de sus aplicaciones. Unadistinción fundamental para un proceso de seg-

o no. Por ejemplo, una variable de clasicaciónpodría ser clientes buenos y malos. En este caso uno

podría estar interesado en descubrir cuáles son losatributos que distinguen a clientes de una u otra

de clasicación única, solo hay atributos. Este es

del método de análisis de conglomerados. En este



52

ejemplo los vehículos tienen atributos pero no

necesariamente están clasicados en un tipo. Enestos casos, uno podría estar interesado más bienen descubrir similitudes entre los vehículos. Lasherramientas descritas más arriba son solo algunasde las muchas que componen el área denominadaminería de datos . En la práctica ellas son amplia-mente ocupadas, con un gran nivel de efectividad.



DATA MININGCasos prácticos



Behavior scoring

Anticipando a mediano plazola conducta del cliente.

Supermercados SMART

¿Cómo anticipar amediano plazo laconducta de un cliente?

1



,

57

Problemas en el frente interno

Carlos, gerente de riesgo crediticio de la cade-na de supermercados , tenía un grave

problema de seguimiento de su cartera de clientesde tarjetas de crédito. Llevaba tiempo percibien-do que clientes que parecían buenos pagadores al

principio, estaban presentando serios problemas demora. Asimismo, algunos clientes parecían haberdesarrollado buenos hábitos de compra y pago,pero sus cupos no les permitían mayor poder ad-quisitivo y por tanto sus tarjetas eran subutilizadas.Peor aún, con la crisis reciente, los problemas demora se habían agudizado.



–

58

Atacando el problema:¿qué hacer?

En nuestra primera conversación, Carlos

técnicas validadas por el mercado, que son muy

de cartera. Una de las metodologías más conoci-das en este ámbito es la denominadaBehaviorScoring , es decir, un sistema de puntuación delcomportamiento de los clientes. Esta técnica con-siste en el desarrollo de un modelo matemático depuntaje, el cual evalúa las variables de compor-

tamiento de un cliente, tales como su historial depagos y moras, variables demográcas, como porejemplo situación laboral, tipo de empleo, edad,profesión, etc., y variables ambientales tales comoel ciclo económico, tasas de desempleo, tasas deinterés, entre otras. Un análisis de segmentaciónmultivariado de estas variables permite, por mediode un sistema de puntaje, determinar con un altogrado de precisión el nivel de riesgo para cadacliente dentro de la cartera. Una característicarealmente llamativa y útil de los sistemas deBe-havior Scoring es que ellos permiten obtener nosólo una foto de la cartera de clientes, sino más



,

59

bien una secuencia de fotos que hace posible de-

terminar ladinámica de pagos de los clientes. Deesta manera, se pueden establecer alarmas tem-pranas para casos de alto incremento de nivelesde riesgo. O, por el contrario, permiten la prontadetección de buenos clientes, a los cuales se lespueden ofrecer nuevos o mayores benecios.



–

60

Utilizar el Behavior Scoring

A arketing le propuso a Carlos como so-lución a su problema de monitoreo y control

del riesgo de su cartera de clientes la construcciónde un sistema deBehavior Scoring . Al segmentarla cartera de acuerdo con sus diferentes niveles de

riesgo de no pago, el supermercado pudoconocer con precisión qué clientes estaban al bordede un serio problema. Asimismo, pudo descubrircuáles clientes tenían un bajo riesgo de mora y altopoder adquisitivo, siendo por tanto candidatos ap-tos para un incremento de cupo u otros benecios.Además, por medio de este sistema de segmenta-ción, Carlos pudo establecer las variables altamenterelevantes para la evaluación del comportamientode la cartera. Por ejemplo, quedó claro el impactode los ciclos económicos en el comportamiento depago. Más allá de esta constatación empírica de unefecto relevante esperable, se pudo establecer conprecisión el peso de la in uencia de dicha variable.



,

61

Aprendizaje y nuevas rutas deexplotación

La puesta en marcha de un sistema deBehaviorScoring tuvo un amplio benecio para los su-

permercados . Primero, permitió la obten-ción de una herramienta dinámica conable para

apoyar a Carlos –como gerente de riesgo crediticiode – en la toma de decisiones sobre su carterade clientes. Segundo, a través delBehavior Scoring se pudo identicar cuáles eran las variables clavepara determinar los niveles de riesgo de los clientes.Tercero, elBehavior Scoring permitió anticiparse

a problemas de mora, tomando las medidas ade-cuadas ya sea de prevención de mayores riesgos oel otorgamiento de mayores benecios a clientescon buen comportamiento de pago.



Publicidad yventas Anticipando el impactopublicitario en ventas.Restaurante Argentinas

¿Se puede estimar elimpacto en ventasde una campañapublicitaria?

2



Por«lea far», e o



,

65

Tracking publicitario y ventas

En noviembre de 2007 nos pusimos en contactocon el gerente de Marketing de una conocida

cadena de restaurantes y acordamos una reunióncon el propósito de escuchar sus necesidades y,por otra parte, presentarle nuevas propuestas que

Marketing había desarrollado. En la reuniónCristián, gerente de Marketing de la cadena Res-taurante Argentinas, abrió la conversación coneste desafío: ¿podemos medir el impacto de lascampañas publicitarias en las ventas?

El problema es interesante, pues es necesario

conocer los principales factores que in uyen en laevolución de la venta, factores que se relacionanen forma dinámica y no lineal con ella. Por otraparte, cada campaña es una intervención en unmedio siempre cambiante.

Considerando lo anterior, la respuesta para

Cristián fue que necesitábamos coordinarnos es-trechamente con la gerencia de informática, puesnecesitaríamos gran uidez en las comunicacionespara resolver rápido un conjunto de tareas talescomo: recepción de la base de datos, claricar



–

66

de algunas variables, etc. Los datos los pedimos en

frecuencia semanal.Un punto importante para destacar es que las

ventas de una compañía son una información alta-mente condencial y, por tanto, para sortear este pro-

el valor 100 a la venta de la primera semana de enero

de 2006 y a partir de esta fecha calcular el índice devariación semanal para el resto de los períodos.

-plican por relaciones de causa-efecto generalmenteocultas y difíciles de ver a simple vista. Las relacionescausa-efecto más permanentes están siempre ahí,

detrás de cada semana, esperando ser descubiertas.El modelo de venta nace de dos actividades:

Tracking publicitario y Marketing Data Mining.Tracking publicitario informa recordación decampañas, niveles de visita, compra y tasa decompra de cada semana. Marketing Data Mininges la minería de datos desarrollada para saber

En la primera etapa, en conjunto con los ejecu-tivos del restaurante, analizamos más de un cientode variables relacionadas directa o indirectamente



,

67

con las ventas. Y los resultados que encontramos

son los siguientes.La venta semanal de Restaurante Argentinas

es el resultado de fuerzas de distinto tipo que segúnsu naturaleza se pueden agrupar en tres mundos.

Venta de Inercia , que corresponde al efecto deeventos o acciones no imputables a acciones de cor-to plazo realizadas por el propio restaurante.VentaSensible, que son resultados directos de accionesrealizadas por el restaurante. YVenta Casuísticaque corresponde al impacto de hechos fortuitos

Venta de InerciaFuerzas de las semanas anteriores

Como comentábamos más arriba, la Venta deInercia es causada por eventos o acciones no impu-tables a acciones de corto plazo realizadas por el

propio restaurante. En este ámbito de causas de laventa descubrimos cuatro de in uencia signicativaen la venta de Restaurante Argentinas.

1. Argentinas como su inversión publicitaria.



–

68

2.

tráco en n de semana.3. IPC e índice

de remuneraciones.4.

awareness de la industria. En algunas fechaslos restaurantes de carnes adquieren más visi-bilidad que otros tipos de comida.

Venta SensibleProviene de fuerzas de la semana en curso

La Venta Sensible es causada por acciones

realizadas por la propia cadena Restaurante Ar-gentinas. Especícamente son todos los esfuerzoscon resultados de corto plazo. Aquí tenemos lasofertas, las promociones, las acciones de servicioal cliente y en general todo lo que constituye a una

-bamos dos causas sensibles.

1. local.

2.



,

69

Venta CasuísticaP roviene de la contingencia del mes en curso

La Venta Casuística es generada por los hechos

adicional.

1. como ciertas celebraciones atípicas, despedidasde ocina, cierre de negocios, etc.El factor Venta Casuística constituye el error

de estimación y su peso es menor. Esto se resumeen la ecuación siguiente:

VENTA = VENTA DE INERCIA + VENTA SENSIBLE

+ VENTA CASUÍSTICA

Resuelta esta primera etapa estamos en condi-ciones de abordar la incorporación de las campañaspublicitarias y medir su impacto en ventas.

Cuatro campañas

Los primeros resultados son la identicación decuatro campañas publicitarias que impactan

signicativamente en ventas en los últimos tresmeses.

» Mercado Argentinas



–

70

» Corte a punto

» Las Mejores Carnes » Locuras Argentinas

Estas cuatro campañas destacaron por tenerun impacto signicativo en ventas, cada una deellas en un modo particular.

Pudimos distinguir cuatro formas en quelascampañas impactaron en las ventas :

Mercado Argentinas tiene un impacto posi-tivo en ventas, está en sincronía con las fechas delanzamiento. La respuesta en la primera semana esmuy alta y luego presenta una caída en los períodos

siguientes, aún manteniendo los mismos esfuerzos.Corte a punto impacta positivamente en ven-

tas en forma plana y moderada en los incrementos.El efecto está acotado al tiempo de permanencia dela campaña. Se saca la campaña y se cae la venta.No logra impulsar la venta a una meseta superior.

Las Mejores Carnes. Esta campaña muestrabuenos resultados en ventas mientras está al aire.Levanta la venta en forma signicativa con peaks altos. Aún cuando tiene un impacto positivo este noes instantáneo, presenta un desfase de una semana,



,

71

es decir, los efectos en venta se ven re ejados una

semana más tarde de lanzada la campaña.Locuras Argentinas es una de las mejores cam-

ventas. Destaca por sobre el resto de las campañas,pues muestra un efecto prolongado en el tiempo, esdecir, si realizamos una acción en una semana esta

produce un efecto en la misma semana y suma elmismo efecto en las tres semanas siguientes.


L con Restaurante Argentinas es el conocimiento

del desempeño de las campañas respecto de su im-pacto en ventas. Las podemos describir como sigue:

1. Mercado Argentinas tiene la debilidad de que

en el transcurso del tiempo decae en su impactoen venta. Se sugiere introducir pequeños cam-bios paulatinos a lo largo del tiempo de modode mantener una permanente atención inicial.

2. Corte a punto se decide retirar y evitar pro-puestas similares en el futuro.



–

72

3. Las Mejores Carnes -

cia y, dado que ahora sabemos que el impacto deesta campaña es rezagado en el tiempo, se hacenecesario preparar el terreno antes de lanzarla.

4. Locuras Argentinas y se decide dejar tal cual sin modicaciones. Sepropone estudiar en profundidad lo realizado

En resumen, de estas cuatro campañas una

se elimina, dos se refuerzan y otra se convierteen modelo para estudiar en profundidad y re-

Argentinas lo deja en situación de ventaja frente

a sus competidores, pues ahora puede optimizary mejorar sus campañas publicitarias respecto desu impacto en venta.



Límite de crédito

Anticipando el límite decrédito conveniente.Tienda por departamentosFashionbridge

¿Es posible optimizar ladenición del límite

de crédito?

3



r on, extra o e c r



,

75

La juguera

La reunión más sorprendente que tuvo en susegunda semana el nuevo Gerente Corpora-

tivo de Marketing de la cadena de tiendas pordepartamentos fue aquella con elSubgerente de Organización y Método.

Este encuentro tenía el doble propósito de queambos se conocieran y de familiarizar al recién lle-gado con el área que diseñaba los protocolos detrásde los complejos procedimientos del día a día en lastiendas. En una cadena con treinta y tres salas deventa a lo largo y ancho del país no había espacio

para la improvisación o las buenas ocurrenciasdel momento. Todo debía ordenarse y diseñarsede modo de minimizar la posibilidad de errores.La Subgerencia de Organización y Método era unsocio de todos tras las bambalinas. De bajo perly sin visibilidad, pasaba desapercibida y muchosno entendían qué aportaba esta área al día a díade la Compañía. Sin embargo no había promociónposible de implementar sin el diseño de un árbol deeventos y decisiones que atravesaba a toda la empre-sa según el curso que tomaran los acontecimientos.El aporte de Organización y Método era anticiparsea la realidad y diseñar las rutas óptimas de solución.



–

76

Era el área que se encargaba de inventar lo que había

dentro de la «caja negra» de cada proceso vinculadocon la venta. Nada nuevo nacía en Operaciones sinpasar antes por el visto bueno de la Subgerencia deOrganización y Método.

Sorprendido. Así quedó el nuevo GerenteCorporativo de Marketing cuando escuchó del

Subgerente de Organización y Método que la asig-nación de límite de crédito de cada tarjetahabientese hacía con una «Juguera» de cálculos complejosdesconocidos. La popular «Juguera» era un activotecnológico de la compañía, más antiguo que el másantiguo de los gerentes y subgerentes de Riesgo o

de Crédito. Todos los ejecutivos que trabajabanen estas áreas clave tenían algo en común: cuandollegaron a tanto que era como parte de la infraestructura.Simplemente estaba ahí y se trabajaba con ella.La contingencia de cada día obligaba a cada unoa trabajar duro en su fracción de responsabilidady no sobraba el tiempo para dedicarle energía alosofar sobre el quehacer interior de la «Juguera».



,

77

Juguera y crisis nanciera

Así lo entendió el nuevo Gerente Corporativode Marketing. Pero, alertado por los titulares

de prensa que anunciaban una nueva crisis nan-ciera de impactos insospechados, en reunión delComité de Gerencia hizo la pregunta que nadie

pudo contestar: ¿cómo vamos a ajustar la asig-nación de límites de crédito al nuevo escenarioeconómico de contracción y eventual aumento deldesempleo? La pregunta era oportuna. Una simplevisita a las salas de venta permitía constatar queuna parte importante del público visitante proveníade hogares de capas medias, muchos de los cualesse hallaban directa o indirectamente ligados con laactividad de la construcción, una de las áreas másriesgosas en momentos de desaceleración. ¿Estabala «Juguera» diseñada para autocorregirse? ¿Quiénsabía qué parámetros debían ser actualizados? ¿La«Juguera» discriminaba diferentes segmentos porconducta de compra o por conducta de pago? ¿Erala «Juguera» que necesitábamos?

La tercera reunión ocurrió a instancias de laGerencia General entre la Gerencia Corporativa deMarketing y la Gerencia de Crédito y Cobranza.Los nuevos aires que estaban comenzando a sentir-



–

78

se en los pasillos de la empresa se veían auspiciosos

para la proactividad. Por primera vez se abríanconversaciones que ayudaban a identicar oportu-nidades para mejorar. Era el turno de la «Juguera»y todo indicaba que ahí había trabajo por hacersi se quería mantener controlado el nivel de moray castigo en el nuevo escenario que anunciaban

un plazo de dos semanas la Gerencia de Crédito yCobranza entregaría un documento que informaría -

mente los parámetros utilizados así como el criteriode ponderación. Ese sería el punto de arranquepara poder evaluar si era pertinente o no abrir unaruta de trabajo de actualización de algo que podríallamarse «Juguera en Tiempos Difíciles».

La juguera por dentro

Dos semanas después, en Comité de Gerencia,un analistasenior de la Gerencia de Crédito yCobranza invitado para ese propósito dio palabrapor palabra y con todas sus letras la noticia que yaalgunos habían comenzado a sospechar. Después de



,

79

en ejecutarla era amplia pero nadie sabía realmente

cómo funcionaba por dentro. Era una verdadera cajanegra de algoritmos desconocidos, legitimada por lahistoria, reconocida por su efectividad, pero sobrecuya eciencia nadie podía decir nada en ese mo-mento. Lo que había dentro era 100% desconocido.

El Gerente General le dio carácter de urgencia

a la apertura de la caja negra. «Antes de n de mes»la «Juguera» debía estar escaneada y presentadapor dentro al Comité de Gerencia, con sugeren-cias para actualizarla. De común acuerdo con lasGerencias de Crédito y Cobranza y de MarketingCorporativo, se decidió que para agilizar el proceso

especialista, y en caso de no hallarla, de algunaUniversidad de las más prestigiadas del país.

La reunión de antecedentes fue en ocinasde

rápidamente hubo una intuición compartida. Eraaltamente probable que la «Juguera» tuviese la for-ma de una regresión lineal múltiple con parámetrosde características personales y datos laborales, in-cluido el ingreso de las personas y, tal vez, algunosdetalles como antigüedad por tarjetahabiente. Al



–

80

las pantallas de las cajas se podía ver un resumende su historia como cliente. Quizás tenían razón…

¡Una bomba en la mesa! Así se sintió el primerreporte que tuvimos que presentar. Para nuestrasorpresa y para la posterior sorpresa de todos lospresentes en el Comité de Gerencia, la «Juguera»

arrojaba un límite de crédito demasiado similar alingreso mensual declarado por el tarjetahabiente.Para la gran mayoría de los clientes con tarjetaactiva, las diferencias entre ingreso mensual decla-rado y monto de límite de crédito eran mínimas,tan mínimas que podían resumirse en un coe-

ciente de correlación de casi 1. Tan mínimas eranlas diferencias que la conclusión obligada era quela histórica «Juguera» actuaba como espejo delingreso personal mensual declarado por cada tar-jetahabiente. La «Juguera» era un mito. Elouput que arrojaba, en el 78% de los casos correspondíaa multiplicar el ingreso mensual personal por 0, 92.

Oportunidades para mejorar

Quedó al descubierto la gran oportunidad paramejorar que había en este instrumento y rápi-



,

81

damente se pasó de la preocupación a la acción. Nos

encargamos de estudiar la validez de la informaciónde la base de datos y, en base a las deniciones concep-tuales de conducta de compra y pago entregadas por

, propusimos enriquecer el cálculo delímite de crédito. Para ello, incorporamos variablescomo: ingreso actualizado, nivel educacional, edad.

Ingreso Actualizado lo levantamos como datofresco vigente hasta 24 meses. Como la tienda nopodía hacer imperativo la actualización de los esta-dos de situación de cada tarjetahabiente, se instruyóinvitar a los clientes a actualizar sus datos cada vezque se acercaran a los «mesones de crédito» ubicados

convenientemente en cada sala de ventas de la cadena.Nivel educacional lo identicamos como una

laboral de los tarjetahabientes, y de sus posibili-dades para resolver de manera más rápida situa-ciones temporales de desempleo en el caso de los

dependientes, o de baja en las ventas en el caso delos independientes. Conocido es que las personascon más años de estudios tienen redes personalesde contacto más amplias y más informadas.

LaEdad la denimos como un indicador sim-



–

82

está vinculada con la emergencia de cierto tipode consumo que va redeniendo el presupuestofamiliar. Así podíamos ayudar a distinguir si untarjetahabiente era una joven soltera en casa de suspadres, si estaba fundando una familia, si estabaentrando a convivir con otras familias productode que el primer hijo iba a la escuela, si convivíacon adolescentes o si estaba acaso comenzando avivir los años dorados del nido vacío.


La «Juguera» era un espejo del ingreso personalmensual declarado por cada tarjetahabiente. Al

descubrirse que la «Juguera» era un mito quedó aldescubierto la gran oportunidad de enriquecer elcálculo de límite de crédito. Incorporando variables

como ingreso actualizado, nivel educacional, edad y pudo identicar las posibilidades reales de endeuda-miento de los tarjetahabientes de .



Fuga de clientes

Anticipando el abandono deun cliente.Banco Ferro

¿Es posible distinguiral cliente que nos

abandonará?

4



n ta n on , xtra



,

85

Anticipar la fuga

Este caso se inicia en nuestras ocinas con unaconsulta telefónica… ¿Ustedes me pueden

ayudar a identicar tempranamente a un clienteque nos va a abandonar?

La respuesta fue «sí». Podemos identicar

tempranamente a los clientes con mayor tendenciaa la fuga, también podemos ayudar a implementarpolíticas comerciales más efectivas de retención ylograr atender con mayor foco a los segmentos declientes que realmente lo necesitan. Bajo la únicacondición que se disponga de una base de datos

históricos de la cartera de clientes.Si se dispone de una base de datos históricos

de al menos 12 meses, con el comportamiento dela cartera de tus clientes es posible plantear unametodología para diseñar un modelo predictivo defuga. También tendremos la posibilidad de caracte-

rizar a los clientes que se fugaron y así identicar yestablecer un ranking de importancia de las causasque motivaron esta acción.

Acordamos una reunión en las ocinas de esteejecutivo para contarle con mayor detalle cómoresolver su pregunta y cuál era nuestra propuesta.



–

86

un modelo de fuga que clasica a los clientes en

de un número de variables relevantes. Ese mis-mo día se tomó la decisión de iniciar el proyecto«modelo de fuga».

El primer paso con los ejecutivos del Bancoconsistió en denir protocolos de comunicación yponernos en contacto con la gerencia de informá-tica para coordinar todo lo referente al traspasode las bases de datos, formatos, etc. Por nuestra

de última generación apropiado para la construc-ción de los modelos Redes Neuronales, Regresio-nes Múltiples y Regresión Logística, entre otras.Es necesario destacar dos tareas fundamentalesque planteamos desde el inicio de este proyectopara los ejecutivos del Banco:

» Proveer la información y el conocimientodel negocio necesarios para la construccióndel modelo.

» Participar activamente con el equipo consultor,

modelo, potenciando así un conocimiento más



–

88

datos, incluye volúmenes de transacciones diarias,

semanales, mensuales y anuales, facturación clasi-cada por períodos, por clientes, uso de productosnancieros, comportamiento de compra y formasde pago por cliente.

Los datos relativos al entorno macroeconómi-co, incluyen , , tasa de desempleo, tasa

de interés, tipo de cambio, índices de venta de laindustria, sectorial, tasas de inversión, informesdemográcos por comunas y otros, proporcionados

, Mideplan, entre otros.

Establecimos un cronograma con informá-

tica para recibir las distintas bases de datos. Lainformación recibida se integra y consolida enuna nueva base de datos, que será utilizada paraconstruir los modelos. La base de datos aquígenerada, será objeto de validaciones, con medi-ciones estadísticas y grácos de control que nos

proporcionan los primeros descubrimientos.

Cinco tipos de clientes

En paralelo con crear una base consolidada, am-bos equipos, Banco y arketing, acuerdan



,

89

una denición básica para clasicar a los clientes en

las siguientes categorías: Activo Premium, Activo,Riesgo, Abandonador, No Cliente.

1. Activo Premium son todos aquellos clientes quecompraron y pagaron en los últimos 6 meses.

2. Activo -

3. Riesgo son aquellos cuya última compra opago se realizó en los últimos 6 a 12 meses.

4. Abandonador son aquellos clientes cuya úl-tima compra o pago se realizó en los últimos12 a 18 meses.

5. No Cliente son aquellos cuya última tran-sacción de compra o pago se realizó hace 18meses o más.

Hacia un modelo de fuga

El primer descubrimiento importante en la basede datos fue la composición de la cartera con

esta clasicación:



–

90

CLASIFICACIÓN PORCENTAJE %

Activo Premium 26 Activo 10Riesgo 20 Abandonador 30No Cliente 14

Este hallazgo fue fundamental para denir eluniverso y la clasicación del evento fuga.

Así, la fuga quedó denida como aquellosclientes cuya última compra o pago se realizó enlos últimos 12 a 18 meses.

Con este primer resultado en mente el nuevo

universo fue restringido a la cartera de clientes al grupo Abandonador como el evento fuga.

La siguiente etapa consistió en diseñar yajustar el modelo de fuga destacando dos hechosimportantes:

1. El modelo es dinámico puesto que está invo-lucrada la variable tiempo.

2. De lo anterior se desprende que la decisiónde fuga no solo depende de las característicaspersonales del cliente, sino que también in u-ye determinantemente el entorno cambiante



,

91

que lo afecta en su decisión de permanencia

en su grupo.Cabe señalar que paralela y permanentemente

en cada una de las etapas de la construcción y ajustedel modelo de fuga, se validan los datos.

Tomando la delanterainalmente cuando el modelo hizo sentido para

- -

bilización del modelo en su capacidad predictiva:en nuestro caso la decisión de fuga. De igual formase reevalúa el impacto o incidencia de las variablesen el modelo, para lograr una mayor precisión enla proyección.

Es oportuno recordar que el objetivo de laconstrucción de este modelo fue poder anticiparcon precisión a los clientes que se fugan.

Así, quedó demostrado el benecio que trae alnegocio la realización del proceso de Data Miningen la gestión comercial. La utilización del modelode fuga permitió contar con una herramienta para



–

92

identicar a aquellos clientes con alta probabilidad

del modelo de fuga, los proyectos que se desarrolla-ron adelante posteriormente se orientaron a diseñarcampañas con el propósito de reforzar al grupode Activos e, implementar políticas de retención

efectivas para el grupo de Riesgo.



5 Trade marketing

Evaluando acciones tácticas.Plan Rojo en Labilfoga

¿Es posible identicar elaporte en venta de unaacción táctica en Trade?



,

97

Un caso de Trade Marketing

El caso Plan Rojo es un ejemplo de acción desintonía na de alto impacto. Es una acción

de Trade Marketing concebida y desarrollada para -

damente competitivo: artículos fotográcos.

Escenario decompetencia extrema

El mercado de artículos fotográcos llama laatención por varios motivos. Tiene mucha

visibilidad, con locales en todos los centros comer-ciales principales y en todo supermercado impor-tante. Locales competidores, de distintas cadenas,están uno frente al otro. Cuatro cadenas hacen

copiarse, se mueven rápido y compiten sin darsetregua. Las actividades promocionales son perma-nentes y los programas de delización se ofrecencon creatividad y simpatía en todos los barrios dela ciudad. Son también grandes avisadores en cine,prensa, radio y usan mucho material de apoyo enpuntos de venta.



–

98

Hay una característica desconocida para el

público consumidor. La información disponibleen la industria es abundante y detallada. Minutoa minuto sistemas modernos de recolección, pro-cesamiento y comunicación están informando quéproductos se venden, en qué cantidad, a cuál precioy en qué local de cuál cadena. La información deestrategias de ventas y movimientos tácticos vaquedando registrada en los archivos internos decada cadena de productos fotográcos.

En una de las cadenas líderes surgió una ideaperspicaz. Desarrollar una acción signicativa deacercamiento desde Trade Marketing. Así lo pensó

entusiasmó a Vivian, su Jefe de Trade Marketing.Le llamaron Plan Rojo.



–

100

¿Cuánta venta aporta Plan Rojo?

Entonces surgió la pregunta clave ¿Cuánto apor-tó Plan Rojo a la venta en estos siete meses?

más aún, desde antes de Plan Rojo se observaba unatendencia sostenida al alza. Entonces ¿cuánto fuecausa y cuánto fue coincidencia? Para responder

esta pregunta se ordenó cruzar información rele-vante y se comparó la venta antes de Plan Rojo conla venta con Plan Rojo. Así sería fácil observar elsalto en venta provocado por esta acción de Trade.

¡Oh Sorpresa! Los números no permitíanmostrar algo que para todos era evidente. Ni los

promedios ni las correlaciones ni las regresiones con-seguían dar una evidencia en números del impactopositivo de Plan Rojo en el incremento en ventas dela Compañía. Después de insistir en este propósitoy de chequear por primera, segunda y tercera vezla calidad de los datos, se concluyeron tres cosas.

Primero, los datos estaban bien.Segundo, las ventas aumentaron en el periodo dePlan Rojo.

Tercero, los números no lograban dar evidencia deeste incremento.



,

101

El tema se hizo muy delicado. Evaluar el apor-

te de Plan Rojo a la venta permitiría discutir su Rojo podría llevar a la Compañía a desaprovechar



–

102

Saliendo del túnel…

Una mañana de marzo nos reunimos Labilfoga y arketing para estudiar juntos el asunto.

Después de considerar la información disponiblecomprendimos que para medir en forma justa elimpacto de Plan Rojo en ventas había que aislar su

efecto. Esta consideración fundamental fue el puntode arranque para seleccionar la metodología. Propu-simos enfocar el asunto con el siguiente protocolo:un análisis microeconométrico en siete pasos.1. Estudiar las ventas de las últimas 60 semanas2. Incorporar índices macroeconómicos varios

3. Descubrir el Modelo Microeconométrico

4. Comprobar si Plan Rojo está dentro delGenoma de Venta

5. Validar el Genoma con pronósticos mes a mes

6. Dejar Plan Rojo enoff

7. Volver a hacer pronósticos mes a mes



1 0

3

69183 291

479

843

636770

0

1000

2000

3000

4000

5000

ene feb mar abr may jun jul ago sep oct nov dic ene feb mar abr may jun jul ago sep oct nov dic ene feb mar abr

2002 2003



,

105


Asumir un supuesto equivocado como por

entre venta y sus drivers podría llevar a confundirla microeconometría con regresiones lineales múl-

tiples. Y a concluir que si no hay relación linealentonces no hay relación.

Casi todas las cosas importantes tienen rela-ciones causa–efecto que no son lineales. Pasar poralto esta distinción en la relación entre Esfuerzoy Venta puede llevar a «ver» un fracaso cuando

números analizados por Labilfoga sugerían fraca-

de Marketing y Ventas y de la Jefatura de TradeMarketing permitieron llegar a una conclusióncorrecta por la vía de aislar el efecto Plan Rojo.

Descubrimos que el efecto de Plan Rojo deTrade Marketing, en cuatro de las cinco marcasde productos fotográcos tomó la forma de efectoacumulado y rezagado, similar al de un antibiótico,cuyo resultado jamás se mide al día siguiente de laprimera dosis del tratamiento.



ROI

Anticipando la viabilidad deacciones de Marketing.Plan Rojo

¿Se puede medir larentabilidad de unaacción de Marketing?

6



,

109

ROI, un amigo de todos

E era preciso, amable y hasta festivo. «…y no está

demás subrayar que en épocas de contracción, se hacemás deseable que nunca que cada dólar invertidoregrese a la Compañía acompañado de más dólares

con ustedes para ver cómo vamos a calcular el dePlan Rojo…» Guillermo era el Gerente General de laAMS, América Latina Sur. Plan Rojo había escalado.

logrado identicar, aislar y medir el aporte de Plan

acuerdo en que Plan Rojo les estaba abriendo laposibilidad de dar un paso más en la construcción

la venta. Un paso signicativo, pues estaban muycerca de poder calcular el de Plan Rojo.

Recordemos que el Retorno sobre la Inversión,, es una razón que relaciona el ingreso gene-

rado por un centro de inversión con los recursosusados para generar ese ingreso. El cálculo del es simple: Ingreso / Inversión.

IngresoInversión

ROI =



–

110

Es una relación entre cuánto cuesta una acción

-bio. Se usa antes y después de iniciar un proyecto.Antes para analizar su viabilidad. Después para

Un positivo motivaría un merecido happy

hour , y tal vez un bono adicional, quien sabe. Peroun superior al estándar de otros esfuerzosparalelos, llevaría a reemplazar el happy hour poruna cena de camaradería, acaso con discursos yhasta con alguna foto en la revista corporativa…Y si el resultado era realmente destacado, incluso

era posible imaginar la asignación de recursosadicionales para invertir más en Plan Rojo e in-tensicarlo en las mismas marcas apoyadas anteso ampliarlo a otras.

Aislar, medir y comparar

sensación que con números las disciplinas des-pegan y se elevan a niveles superiores de controly planicación. Además del logro de Plan Rojo,valoraban la posibilidad real de aislar y medir el



,

111

aporte especíco de Plan Rojo a la venta de las

marcas donde había sido implementado. La apli-cación cuidadosa de los conceptos y cálculos demicroeconometría al Data Mining por un equipoprofesional ad hoc, les estaba brindando tres va-lores de la mayor importancia.

En primer lugar, al aislar el efecto de Plan

Rojo, pudieron comprobar si el esfuerzo del mis-mo había sido para bien o para mal, es decir, si sehabía ganado o perdido. En este caso fue un aportereal a la venta en cuatro de cinco aplicaciones. Yel tiempo que la Compañía ahorró al evitar discu-siones sobre si esta acción había sido más o menos

conveniente en sí mismo fue ganancia.En segundo lugar, al medir el efecto de Plan

-merador para el cálculo del . El corolario fueque de este modo, los esfuerzos de cada una de lasacciones de Trade Marketing o de otras áreas de

la compañía se hacen medibles y comparables. Elsólo hecho de que fuesen comparables, escalaba eltema hacia los niveles superiores de la Compañía

haciendo la Gerencia General de y la Gerencia



–

112

En tercer lugar, y derivado de lo anterior, la

disponibilidad de numeradores para los de lasinversiones de cada área de la Compañía, permitía comparados y documentados las alternativas deinversión a la Gerencia General. Así, la GerenciaGeneral podía solicitar información para aprender

vez, convirtiendo las acciones más destacadas, porsu alto impacto en la venta, en ejemplos vivos demejores prácticas para la Compañía.

Descubriendo el numerador

El costo siempre se puede medir y los parámetroslos dene el área de nanzas. Lo complicado

es calcular el benecio. La dicultad de medir elbenecio viene de la cantidad de factores diversos

que entran en juego como tangibles o intangibles decorto, mediano y largo plazo, y que habitualmenteconducen a diversas interpretaciones y opinionescada una de las cuales están bien fundadas desdeel punto de vista de quienes las sostienen.



,

113

podrían precisar el costo de implementación dePlan Rojo. Y como éste se había aplicado a cincomarcas, el paso era dividir el costo total en cincopartes iguales o en proporciones según el peso delas marcas. Ya habría tiempo para decidir la basede esa proporción. Lo cierto es que cada centro decostos tendría dos datos en sus manos: sucosto de

aporte a laventa de Plan Rojo, descubierto y comentado enel caso «Trade Marketing».

Luego, al hacer la división: aporte a la ventade Plan Rojo / costo de Plan Rojo, obtendrían el

Retorno sobre la Inversión de Plan Rojo. Y asítendrían un indicador de cuán intensa debía ser lacelebración y cuán decidido debía ser el apoyo dela Compañía a esta acción de Trade Marketing ya

Hagamos un resumen. La aplicación de la

microeconometría en el quehacer de Data Miningque permitió aislar y medir los efectos de PlanRojo en venta, entregó el numerador del deuna acción que antes parecía «no medible». A suvez, el de esta acción que antes parecía «nomedible», se constituyó tanto en una vitrina de



,

115

recurso probado en combate, pero en ningún caso

una panacea aplicable las marcas de la Compañía.


Visto de un modo más general, en la medidaen que las empresas crecen, los centros de

cada vez más complejos. Algunas gerencias inclusopueden llegar a tener un importante número deactivos subutilizados o incluso completamenteinutilizados, muchas veces sin saberlo. Hay casos

«visión de helicóptero» pues cada uno alcanza a versólo una fracción de la vida diaria de la Compañía.

La contingencia absorbe y el día a día consu-me. Incluso a veces surgen ciertas áreas que sonmotivo de amplias sospechas pues los colegas deotras divisiones coinciden en no entender por quéson tantas personas en aquel departamento y nadiesabe qué aportan. Esto se hace particularmenteevidente cuando hay grupos de trabajo que apa-rentemente no tienen clientes internos. Reducir los



–

116

activos no utilizados por un centro de inversión o

gerencia, hará bajar el denominador de su yla hará más rentable que antes.

Desde esta perspectiva, el análisis de Plan Rojoen la forma que fue realizado y relatado también esuna palanca que ayuda a identicar espacios dondehay que «sacar la grasa». Y esto permite reorientar

la energía y la creatividad hacia otras acciones oproyectos alternativos de mayor valor potencial.Al verlo de esta manera, el cálculo del ayudaa saber en forma temprana si una acción de ventaproveniente de Trade Marketing o de otra áreadebe interrumpirse o continuar, y permite descubrir

En cuanto a las posibilidades de cálculo del

hay otros libros donde es posible encontrar

justicación. Más allá de los números, en nuestraopinión el factor clave sigue siendo el mismo. La

capacidad de aislar, medir y comprobar el aportemarginal de una acción especíca sobre las ventasde un periodo acotado. Y ese fue el ámbito denuestra colaboración desde arketing.



Colocación decréditosConstruir una buena carterade clientes.Casa comercial ALBA

¿Es posible identicar albuen cliente antes dehacerlo cliente?

7



,

119

Bancos y casas comerciales en todo el mun-

do enfrentan a diario el siguiente dilema: ¿cómodescubrir los buenos y malos clientes antes de quese conviertan en mis clientes? Como en la películaSentencia Previa de Steven Spielberg, lo ideal seríatener un mecanismo de detección de los malosclientes antes de que produzcan un daño mayora mis nanzas. Asimismo, dañaría mi gananciaesperada si no incorporo a buenos clientes a micartera. Una técnica para realizar esta tarea es lasegmentación producida a través de un sistema decredit scoring. Veamos el siguiente caso concreto.

Comienza la búsquedaLa casa comercial deseaba ampliar la

capacidad adquisitiva de su cartera de clientesofreciéndoles una tarjeta de crédito, así como tam-bién atraer nuevos clientes. Naturalmente, se queríaotorgar tarjetas a los buenos clientes y negárselasa los malos, pero cómo saber ¿cuál es cuál?

Un primer problema consiste en denir lo quesignica un buen cliente y un mal cliente. Cada casacomercial o banco podría tener su propia denición,aunque usualmente un cliente malo es aquel que noha pagado su deuda por más de dos o tres meses.



–

120

Desenmascarando a lossospechosos

Casi todos los clientes que se aprontan a so-licitar la tarjeta de crédito tratan de

presentar su mejor cara. En muchas situaciones esdifícil saber cuál postulante es digno de conanza

y cuál no. ¿Cómo distinguirlos?Lo primero que hicieron y arke-

ting para desenmascarar a la mala prospección declientes y descubrir a los buenos clientes, fue reco-pilar la mayor cantidad de información disponiblesobre los postulantes. Variables demográcas como

edad, estado civil, educación, actividad o profesión,tipo de empleo, género, lugar de residencia, etc.Por otro lado, se recurrió a variables de comporta-miento nanciero, por ejemplo, historial de pagos,anotaciones en el boletín comercial, protestos,deudas en el sistema nanciero, etc. Con toda esta

información, se construyó una base de datos en lacual cada cliente tenía asociado todos sus antece-dentes demográcos y comerciales. Sobre esta basese buscó una metodología para descubrir qué tipode potencial cliente se tenía enfrente.



,

121

Mirando los datos

Dada la base de datos de los clientes actuales y lasu comportamiento de pago, la casa comercial

pudo construir una regla de apoyo a la deci-sión al reclutar clientes para su tarjeta de crédito.Esta regla se basó en un sistema de credit scoring,

el cual es un puntaje que se asigna a cada postu-lante a partir de sus antecedentes. Altos puntajessignican potenciales buenos clientes mientras quebajos puntajes signican potenciales malos clientes.Entre las muchas técnicas para clasicar clientes,tales como árboles de regresión, redes neuronales, oregresión logística, arketing y utilizaronésta última metodología para construir su sistemade scoring o puntaje. Por medio de este sistema seidentican cuáles factores o variables determinanen mayor grado si un potencial cliente se compor-tará bien o no. Una de las variables más relevanteses por ejemplo el nivel educacional del postulante.A mayor nivel educativo, mejor comportamiento.Por otro lado, el tipo de actividad también es rele-vante. Los empleados son mejores pagadores quelos sujetos independientes. Personas de mayor edadtienden a ser mejores pagadores que personas muyjóvenes. Pero la relación no es lineal ya que los



–

122

ancianos tienden a ser malos pagadores. Por otra

parte, sujetos con un historial de deudas nancierastienden a ser malos clientes potenciales.

Tengo el scoring y ahora ¿qué?

Una vez construido el modelo de scoring deregresión logística de , se procedió a

determinar el punto de corte del puntaje paraclasicar a un cliente como malo o como bueno.La escala del scoring era de 0 a 1000 puntos, y seestableció un punto de corte de 674 puntos. Lospostulantes con puntajes menores a este valor seclasicaron como malos clientes y el resto como

buenos clientes. ¿Como se encontró este punto decorte? Se hizo a partir de un análisis detallado delbalance de riesgos entre la ganancia de incorporarun cliente bueno a la cartera y la pérdida de incor-porar un cliente malo.

Una vez determinado el punto de corte se rea-lizó una validación cruzada. Es decir, se vericó eldesempeño delcredit scoring en una muestra declientes dejada fuera del ajuste del modelo. Se obtuvoun 78% de clasicación correcta, en línea con los



,

123


En resumen, el desarrollo e implementaciónde un sistema de scoring permitió a la casa

comercial mejorar su proceso de selección

incorporar un buen cliente y minimizando el dañonanciero producido por el otorgamiento de tarjetade crédito a malos pagadores.



Key drivers en ventade alimentos

Anticipar la satisfacciónsensorial.Caso Yog

¿Podemos identicarlos estímulossensoriales especícosque maximizan lasatisfacción nalcon un alimento?

8



,

127

Una gran pregunta

El gerente de ventas de una importante compa-ñía de jugos y bebidas en Centroamérica con

el cual habíamos realizado una segmentación desalas de supermercados meses atrás, nos puso encontacto con Daniel –Gerente de Marketing de la

misma compañía–, con la nalidad de ayudarle enla evaluación de satisfacción de un producto quese deseaba lanzar al mercado.

El día de la reunión, Daniel nos contó que es la marca de yogurt más importante del mer-

cado. Es la marcatop of mind, referente y sinónimo

de yogurt en el país. Está muy bien posicionadaentre los consumidores de todos lostargets etáreosy con todos sus indicadores de notoriedad, prueba,consumo habitual y consumo frecuente, creciendosaludablemente.

Daniel agrega que encargó un estudio de

consumidores para desarrollar una bebida a basede yogurt con mermelada bajo la marca , perocon la connotación nutricional de ser un producto



–

128

Una base de datos pequeña

Un tema importante a resolver es saber cualesson los principales atributos que provocan

la satisfacción del consumidor de un listado totalde 50 atributos. Esto no quedó resuelto en aquelestudio.

-rresponde al estudio de mercado anterior. Y tieneuna pregunta: ¿Podemos encontrar 4 o 5 atributos

-midor, con la base que tenemos?

La respuesta es armativa y le pedimos que nosenvíe su base de datos para que podamos analizarla.

Miramos la base de datos y vemos que estees un producto bien evaluado post prueba. Tienepromedio 6.6 en la evaluaciónSensorial Tasting ,en una escala de nota de 1 a 7.

El desafío ahora es descubrir las principalesvariables independientes relevantes de un conjuntode 50 atributos.

En la base de datos podemos separar los atri-butos en dos grupos, el primer grupo son aspectos



,

129

sensoriales antes de la prueba y el segundo grupo

son atributos después de la prueba.Antes de la prueba podemos distinguir aspec-

tos como:

» Apariencia » Color

» Aroma

Después de la prueba podemos distinguir as-pectos como:

» Dulzor » Cremosidad » Sabor del producto » Suavidad

Claves de satisfacción

La satisfacción nal con el producto degustadopor un consumidor promedio tiene una parte

consumidores independientemente de sus caracte-



–

130

1. Evaluación SensorialBefore

2. Opinión respecto de locremoso delproducto 20%

3. Opinión respecto deldulzor delproducto 10%4. Tienesabor natural a frutas frescas 9%5. Es mejor si es de 5%6. La combinación de sabores es muy rica 5%

rísticas personales o contingencias en el momento

de la prueba del producto.

proviene de siete aspectos que se fraccionan de lasiguiente manera:

Sensorial

CremosidadDulzor

Sabor

Marca

Combinación

Intensidad



,

131

7. Opinión respecto de intensidad de la fruta de

este producto 4%Es necesario destacar que la evaluación antes de

degustar está relacionada con tres atributosBeforeque son: Apariencia, Color y Aroma.

Así, podemos destacar que descubrimos 3

atributos de placer con , comunes a todos losdegustadores, y por ello, principales:

» Cremosidad » Dulzor » Sabor natural a frutas

Los tres en conjunto son responsables del 39%de la satisfacción sensorial con .


Con este resultado podemos diseñar dos tiposde acciones, una de corto plazo y otra de

mediano plazo:

La acción de corto plazo es denir una pro-puesta de concepto para mejorar la comunicación



–

132

con el cliente, destacando los atributos principales

como promesa sensioral central.La acción de mediano plazo es corregir el pro-

ducto si se observan bajos desempeños en algunosde estos atributos clave.

, para Daniel la entrega de losatributos clave iluminó las acciones a tomar, pueshubo que rediseñar el concepto antes de lanzar en

estudiada.



Key drivers enventa gasolina Anticipar la satisfacción con elservicio de estaciones.Petroleum

¿Podemos identicarlos puntos de contactoque maximizan lasatisfacción nal conun servicio?

9



,

135

Me gusta… no sé por qué

En la tarde al volver a casa se prendió la luceci-ta… el estanque de bencina estaba quedando

vacío. Había una «bomba»Chyf pero recordé quecuadras más adelante había otra de Petroleum. Acelerando poco, en medio del taco con un poco de

suerte llegaría hasta Petroleum para llenar el estan-que. La idea de parar enChyf para comprar un parde litros me pareció tonta. ¿Por qué decidí seguirde largo y avanzar hasta Petroleum? Ambas sonigual de modernas y limpias. Ambas están al ladoderecho de la misma avenida en cuadras diferentespero cruzando la esquina. No conozco los nombres

Chyf es una empresa famosa y reconocida comoespecialista… incluso tiene mejores hot dogs. Megusta la estética de sus colores amarillos y blancosy rojos, mucho más creativos y originales que elazul–blanco de Petroleum tan usado y abusado endiferentes industrias que se quieren vestir de «cielolimpio». Pero preferí pasar de largo y continuarhasta Petroleum. Por alguna razón que no logrover con claridad, Petroleum me simpatiza más. Nome pregunten por qué…, ni siquiera yo lo sé.



–

136

Petroleum

Petroleum es una cadena de estaciones de ser-vicio con más de seiscientos puntos de venta

en carreteras, ciudades y pueblos menores. Da laimpresión de estar en todos lados. Y cuando con-duces muchos kilómetros la ves a la izquierda,…

a la derecha… al frente… atrás.Ante la capacidad demostrada de aperturade locales de ciertos competidores y la declara-ción de interés por entrar al mercado de parte demultinacionales poderosas, Petroleum implementódesde hace cinco años atrás un programa dirigido

a defender su posición de liderazgo en ciudades de información útiles para el desarrollo del forta-lecimiento de la relación con su público cliente.

¿Cómo satisfacer más a la mayoría de losclientes con el mínimo esfuerzo? Los escenarios

regionales son diversos desde el punto de vista delentorno competitivo. Entre los factores relevantesque varían de una a otra ciudad podemos mencio-nar penetración del crédito, nivel de competencialocal, presencia de ciertos competidores nacionales



,

137

fuertes, layout

de comida y, por supuesto, servicio al cliente.

El esfuerzo de Petroleum

El estándar de calidad en los tres competidoresera muy alto y, aún así, había una diferencia

signicativa a favor de Petroleum. La convicciónde que la calidad de servicio es un libro que nopara de escribirse pues las personas aprenden elnuevo piso, lo hacen suyo y esperan más, invitabaa Petroleum a seguir invirtiendo en ser la mejorcalidad de servicio en ciudad y en carreteras.

Después de realizar una encuesta para conocerel Perl del Cliente y las razones de compra y de

de visita a las gasolineras de las tres cadenas másimportantes era bastante similar, lo que sugiere quese trata de tres competidores que se están mirandomuy de cerca.

Petroleum presenta una tendencia a destacar-se positivamente en cuatro aspectos relativos a ladisposición más emocional del vendedor, los que



–

138

estas cuatro claves de satisfacción del cliente?

El vendedor me vio

El primer factor es a la vez el primero en eltiempo y el de mayor peso en la satisfacción

del conductor promedio. Cuando el conductor iballegando recién a la «bomba» bajando la velocidad, -

ojos y le sugirió con la cabeza o la mano estacio-narse en un lugar especíco. No era una señal de

que le atenderían de inmediato. Era una señal deque el bombero lo había visto, había registrado supresencia y estaba consciente de que debía aten-derlo. Este hecho erauna clavesigni cativa en lasatisfacción del cliente.

La satisfacción del cliente se midió a poste-riori, cuando el cliente iba saliendo de la bombadespués de comprar gasolina. Se midió en una es-cala de 1 a 7. Luego se le consultó su satisfaccióncon distintos aspectos especícos y se le interrogósobre la presencia o ausencia de ciertos hechosclave, algunos de los cuales formaban parte de un



,

139

check list de servicio denido internamente como

las diez acciones imprescindibles de un servicio decalidad superior.

La bondad delcheck list de las diez claves, esque elevaban el piso de la calidad de atención. Peroel tiempo pasa, la gente aprende y lo que algunavez se había agradecido de corazón, poco a poco

había pasado a ser un estándar de nivel higiéniconecesario pero no suciente para provocar unasonrisa de agradecimiento. Con ello en mente esque Petrolem estaba haciendo esta encuesta bajolos términos comentados.



–

140

…Me saludó

El segundo factor de incidencia positiva en elcliente promedio comprador de gasolina, era

el saludo anterior a la consulta de lo que necesi-taba. La pregunta típica era « buenos días / tar-des / noches… ¿cuánto va a querer?», a lo que el

cliente respondía «lleno» o un monto de dinero yel octanaje. Luego el vendedor tomaba las llaves,abría la tapa, gritaba «marcador en cerooo…»y ofrecía limpiar los vidrios o revisar los niveles.Pero ya todos sabían que esa amabilidad era unestándar al que estaban obligados por la empresa,por lo que algunos clientes lo interpretaban comoun interés no genuino. La calidad del servicio en

-mergidos, menos evidentes, que realmente nacíande la persona del «bombero».



,

141

…Sonrió al despedirse

El tercer factor de in uencia positiva en la satis-facción del cliente comprador de gasolina era

la despedida. Una despedida que más que recitar«gracias por venir a Petroleum» era una despedidaaparentemente desinteresada adornada con una

sonrisa. Lo que se decía era menos importante quela sonrisa de fondo de la despedida. Una despedidahumanizada de dos rostros que se reconocen comosignicativos por un segundo ayudándose a salirdel anonimato, poniéndole un sello de humanidada una transacción comercial entre personas. Lasonrisa de despedida, cuando la había, elevaba lasatisfacción nal del cliente comprador. Cuandono había sonrisa en la despedida del «bombero»,aunque recitara muy bien su «gracias por venir…»,la satisfacción del cliente era menor.



–

142

…Fue (es) amableinalmente, el cuarto factor que provoca mayorsatisfacción del cliente comprador de gasolina

es la impresión global de haber sido atendido enforma «amable». El grupo de clientes compradoresque señaló que el «bombero» que le atendió fue

amable presentaba niveles de satisfacción superioresa los niveles de satisfacción de quienes estimaronque el vendedor no había sido del todo amable,preocupado o cortés.



,

143

Protocolo con bases pequeñas demuestras representativas

Todos los clientes compradores de gasolina entre-vistados tenían conciencia de estar comprando

un productocommodity donde por ejemplo, la gaso-lina de 95 octanos de Petroleum es la misma o muy

similar a la de otra cadena de venta de combustible. -cia de compra se complementaba con otros elementosdentro de los cuales la calidad de atención ocupabaun lugar destacado. Lo que los clientes no sabían, ytampoco Petroleum, era cuáles acciones puntuales

eran loskey drivers de satisfacción signicativos parala gran mayoría de los clientes compradores.

Aquí es donde cabe la aplicación de modela-miento microeconométrico. Tomando la sabiduríaacumulada de Petroleum como plataforma de des-pegue, pero abiertos a descubrir nuevas claves, hici-

mos una encuestaad hoc . Cuando se necesita hallarlas claves de satisfacción de un servicio especícocon el propósito de construir ventajas competitivashacemos Data Mining de una base construida conese propósito, bajo el siguiente protocolo:



–

144

1. Una encuesta de muestra pequeña

2. que represente bien alcore target 3. que presente bien las condiciones de compra4. y mida tanto la satisfacción nal post–compra5. como la presencia–ausencia de ciertos hechos

signicativos

6. y la satisfacción frente a ciertas accionespuntuales.

7. luego hacemos un análisis microeconométricoriguroso y comprobado.De este modo identicamos cuáles son los ele-

mentos clave de la satisfacción del cliente, indepen-dientemente de si estos son conscientes o no parael cliente. Lo relevante es que la evidencia permitecomprobar que son los que efectivamente integran elconjunto de acciones mínimas de mayor impacto enla satisfacción del cliente y que facilitan re–compra.

Cuando la empresa no cuenta con bases de datoshistóricas, podemos hacer análisis de microecono-metría en bases pequeñas de encuestas con muestrasrepresentativas para descubrir claves de servicio alcliente y desarrollar ventajas competitivas. Mientrasmenos evidente sea la clave hallada más tiempo



,

145

permanecerá la ventaja competitiva alimentando la

distancia de la Compañía respecto de su competencia.


Una compañía puede descubrir los key driversde satisfacción con un servicio integrando

encuestas, muestra probabilística y análisis mi-croeconométrico. El benecio es inmediato. Lacompañía se anticipa. Gana tiempo y foco para

del cliente promedio. El desarrollo de loskey

drivers de satisfacción refuerza la decisión decompra del cliente promedio y, más aún, instalala primera piedra de la re–compra.



10Factores deriesgo enepidemias

Ganar tiempo paracontrolar la expansióndel virusVirus «X»

¿El estudio de uncuadro viral local puedeorientar el desarrollode medicamentos yacciones preventivasglobales?



,

149

Un caso de epidemiología

G virus. A veces la información ayuda a ganar

tiempo para salvar vidas. Para contener y encap-

es necesario instalar un dispositivo que funcione

de necesidades de salud local para desarrollo denuevos medicamentos de consumo global.

de contagio deVIRUS «X» en una región de Vene-

de investigación de enfermedades transmisibles enAmérica Latina y el Caribe.

Metodología

Para identicar los principales factores de ries-go se aplicó la metodologíaASIA, Advanced

System for Interdisciplinary Analysis , un pro-tocolo de análisis avanzado deASIA Marketing en



–

150

Tomamos varias muestras de 360 casos cada

una, desde la misma base de datos. La base de mil encuestas y auto-reportes de jefes de hogar o

VIRUS «X» en el hogar. Lascomunidades estudiadas fueron Jabillal, El Palmar,Boca de Nichare, Sudapire, Ikutú, El Playón, SantaMaría de Erebato y Chajuraña.

7 factores de riesgo

E el contagio deVIRUS «X» en las comunidades

estudiadas. Algunos son factores laborales, otrosde hábitos y otros sociodemográcos. Estos sonlos factores mas signicativos. Otros aspectos sonmenos in uyentes o casuales. Cada uno de estos 7factores de riesgo es estadísticamente signicativo.Revisémoslos por orden de impacto.

AUMENTO DEL RIESGO

1. Realiza otra actividad económica

adicional a labor principal 257 %

2. Recolecta recursos del bosque 208 %



,

151

3. Viajó fuera de la comunidad 153 %

4. Grupo étnico diferente a Yekuana 132 %5. Persona es mayor de 23 años 132 %

6. Lleva menos de 10 años

viviendo en la localidad 92 %

7. Índice de mosquiteros buenos

en la vivienda /menor o igual a 0,4 29 %

Factores socioeconómicos

Demos un paso más. Los factores 1 y 2 son

socioeconómicas y, en consecuencia, están masestrechamente vinculados a hábitos, esto es, a con-ductas recurrentes. Estas son buenas pistas pueslas conductas son susceptibles de ser modicadassi la población toma conciencia de que el benecio

de cambio es reducir la probabilidad de contagiocon elVIRUS «X» de cada persona y de su familia.Revisemos estos dos factores.

Factor 1: Realiza otra actividad económicaadicional a labor principal. Sin tener mas antece-



–

152

de la base de datos intuimos que la realización de

actividades económicas adicionales a la actividadprincipal puede interpretarse como indicador de

pobreza. La realización de actividades adicionales

ambiental, pobreza, u otro factor especíco noevidente, lo cierto es que hay en este factor una

comprensión mas profunda del origen ecológico osocioeconómico delVIRUS «X»

Factor 2: Recolecta recursos del bosque. Inter-pretamos que la recolección de recursos del bosque

lleva a las personas a introducirse en los principalesfocos primarios de contagio, aumentando en 2veces la probabilidad de contagio de VIRUS «X».

bolsones de concentración de contagio en áreasgeográcas con predominancia de alguna fauna ovegetación particular. En este factor hay una ruta

un componente ecológico del VIRUS «X».



,

153

El factor étnico

F actor 4: Etnia. Hay un hallazgo que podría

de vista genético. Hemos descubierto que si unapersona es de etnia Sanema tiene una probabili-dad de contagio deVIRUS «X» que es más que el

doble de una persona Yekuana. Esta constatación medioambientales o de hábitos. En caso de ser unadiferencia de contagio imputable a característicasgenéticas, estaríamos frente a un posible punto dearranque para una investigación genética o para elposible desarrollo de un medicamento especíco.

Aprendizaje y nuevas rutasde explotación

Mas allá de las características personales,

familiares o locales de las personas conta-giadas conVIRUS «X» en esa región de Venezuela,y mas allá de la contingencia en que ocurrió el

signicativos de riesgo. La presencia de cada unode estos 7 factores aumenta en forma signicativa

la probabilidad de contagio deVIRUS «X» en esas



–

154

comunidades y da pistas para pensar en como

enfrentarle en el resto del mundo.

-

el nacimiento y transmisión de las enfermedades.

No hay evidencia empírica de otros factoresimportantes de riesgo adicionales. Otros factoresson menos in uyentes o casuales.



Sobre los Autores



D de arketing. Sociólogo,Universidad de Chile. Desde la oferta por estudios

de mercado se ha desempeñado como analista de Estudiosde Mercado en agencias especializadas. Desde el lado dela demanda por estudios de mercado se ha desempeñadocomo Jefe del Centro de Estudio de Medios de JWT Chile-na; Investigador de la Dirección de Estudios Sociológicosde la Ponticia Universidad Católica de Chile; Analistade Estudios de Mercado en Chile; SubGerentede Investigación y Desarrollo de Marketing, Empresas

. Ha dictado el curso Investigación de Mercado delDiplomado de Marketing en la Escuela de Negocios dela Universidad de Chile.



Wilfredo Palma



D de arketing. PhD en Esta-dística, Carnegie Mellon University e Ingeniero Civil

Matemático, Universidad de Chile. Profesor e investigador

del Departamento de Estadística de la Ponticia Univer-sidad Católica de Chile y profesor visitante de ChineseUniversity of Hong Kong. Es autor de Long–Memory TimeSeries: Theory and Methods, Wiley Series in Probability andStatistics, John Wiley & Sons 2007, y autor de numerososartículos especializados. Ha recibido diferentes distincionesy premios académicos. Se ha desempeñado como Director

y ha sido consultor de análisis avanzado para empresas einstituciones como DataBusiness, Cámara de Comerciode Santiago, Bancard, D&S, BancoEstado, , AguasAndinas, entre otras.



Ricardo Pérez



D de arketing. Licenciadoen Matemáticas Mención Estadística, Pontificia

Universidad Católica de Chile. Se ha desempeñado comoconsultor de análisis en el Instituto de Economía y Admi-nistración de la Ponticia Universidad Católica de Chilepara solicitudes de empresas privadas e investigacionessobre políticas públicas. Su ámbito de especialización es lamicroeconometría y la aplicación de modelos matemáticosestadísticos avanzados para estimaciones y pronósticos decorto, mediano y largo plazo. Se ha desempeñado comoconsultor para estimaciones de demanda de petróleoy como consultor de Data Mining. Actualmente dirige



Este libro se terminó de imprimiren los talleres digitales de

RIL® editores

Teléfono: 225-4269 / [email protected] de Chile, diciembre de 2009

Se utilizó tecnología de última generación que reduce elimpacto medioambiental, pues ocupa estrictamente elpapel necesario para su producción, y se aplicaron altosestándares para la gestión y reciclaje de desechos en todala cadena de producción.



E ste libro está dirigido a personas que trabajan encompañías e instituciones que acumulan día a día

datos nuevos.

La revolución informática, la acumulación cada vezmayor de información y el desarrollo de métodos esta-dísticos avanzados para el análisis de dicha informaciónson el escenario en que surge el Data Mining.

Los métodos de Data Mining combinan el análisisde la información externa a la Compañía, proveniente deencuestas y variables macroeconómicas, con informaciónde fuentes internas de la organización.

La investigación de mercado explora, describe,

entre una marca y sus clientes.

Data Mining complementa lo anterior con la explora

data mining el arte de anticipar

Documents