¿Todos tus clientes merecen la misma oferta?
El problema
Una cadena de electrónica trataba a todos sus clientes de la misma manera: mismas ofertas, mismos emails y descuentos similares. Con 6.000 clientes y 26 variables, necesitaba encontrar patrones de comportamiento que permitieran personalizar las campañas.
La solución
Seleccioné 9 variables de comportamiento relacionadas con gasto, frecuencia y canal. El análisis permitió identificar 4 perfiles de cliente, desde el premium hasta el riesgo de abandono, y asociar una estrategia a cada uno.
El resultado
96,8%acierto en el segmento premium
¿Qué pasa con las ventas cuando ocurre algo inesperado?
El problema
Una cadena retail podía prever bastante bien las semanas normales, pero sus predicciones fallaban cuando aparecían promociones, huelgas o problemas logísticos. El histórico explicaba el pasado, pero no siempre lo que estaba ocurriendo alrededor.
La solución
Comparé dos modelos sobre 156 semanas: uno basado solo en ventas históricas y otro que incorporaba cinco variables externas. Los validé mediante backtesting temporal y simulé más de diez escenarios futuros.
El resultado
−32%error frente al modelo basado solo en histórico
¿A quién estamos a punto de perder?
El problema
Una aerolínea clasificaba a sus pasajeros en tres niveles con reglas rígidas: Básico, Frecuente y Premium. Pero esas reglas no siempre reflejaban su comportamiento real, así que era difícil saber quién necesitaba de verdad una acción de fidelización.
La solución
Probé tres modelos sobre 21 variables de vuelo, gasto e incidencias, los validé frente a un baseline y analicé qué variables ayudaban a diferenciar los distintos perfiles de pasajero.
El resultado
×2mejora frente a las reglas anteriores
¿Cuánto venderemos la próxima semana?
El problema
Una cadena retail planifica inventario y personal mirando principalmente lo que vendió el año anterior. El problema: pedir de más genera exceso de stock; pedir de menos significa quedarse sin producto cuando la demanda aumenta.
La solución
Entrené un modelo de previsión con 208 semanas de ventas y lo validé sobre otras 52 semanas que el modelo nunca había visto. El objetivo era comprobar hasta qué punto el histórico permitía anticipar la demanda futura.
El resultado
2,21%error medio de previsión (MAPE)
¿Qué hace que un cliente elija un vuelo?
El problema
Una aerolínea combina precio, escalas, equipaje y flexibilidad, pero no sabe cuánto pesa cada factor en la decisión del cliente. Y ese valor puede cambiar según el tipo de pasajero.
La solución
Analicé 24 combinaciones de vuelo valoradas por 1.000 clientes. Mediante un análisis conjoint descompuse 24.000 valoraciones para medir cuánto aporta cada atributo, tanto para el conjunto de clientes como para cada segmento.
El resultado
69%peso de precio y escalas en la decisión