Customer Lifetime Value. Machine Learning al rescate de tu métrica más valiosa

 

En mi anterior post: Aprende a predecir la fuga de tus clientes con Data Mining y Machine Learning, os hablaba del Machine Learning y cómo este podía ayudar a las compañías aseguradoras. En ese post, no sólo hablaba de Machine Learning, sino también de la importancia de los clientes en las compañías aseguradoras, del coste que supone la pérdida de un cliente y de la importancia de retención de los mismos.

Profundizábamos entonces, en los modelos predictivos de fuga de clientes y de los beneficios que estos aportan a las compañías. Hoy, en mi nuevo post os quiero hablar de un nuevo término Customer Lifetime Value y de como algunas técnicas de Machine Learning nos pueden ayudar a predecirlo.

El Customer Lifetime Value (Valor del cliente) o CLV, se define como una estimación de las ganancias o pérdidas resultantes de la relación comercial de la compañía con un cliente, teniendo en cuenta el tiempo durante el que se mantendrá la relación con dicho cliente.

La forma más sencilla de calcular CLV es sumar los ingresos que la compañía obtiene de un cliente y restar el coste que para la compañía supuso su adquisición y su gestión. Para calcular el CLV podemos aplicar varias fórmulas, una de las más sencillas es la siguiente:

CLVSimple = TP * RA * VC

Donde:

  • TP: compra media de un cliente.
  • RA: frecuencia de compra.
  • VC: duración promedio de la relación.

¿Quiénes podrían utilizar esta medida dentro de una compañía aseguradora?

Este valor permite a los profesionales del Marketing analizar diferentes aspectos de los clientes, y tomar las decisiones apropiadas para mejorar la cartera de clientes de la compañía.

Además, es importante destacar que esta medida no sólo te permite conocer cuáles son los clientes más valiosos, sino que además proporciona un valor a largo plazo.

¿Cómo ayuda este valor a mejorar la cartera de clientes?

Estas son algunas de las cuestiones que las  aseguradoras tienen sobre la mesa a la hora de hablar de mejorar su cartera de clientes, y sobre las que el valor CLV tiene mucho que decir:

  • Desde el canal de Marketing, ¿Se invierte lo suficiente en la captación de nuevos clientes?
  • Cuando ya se ha adquirido un nuevo cliente, ¿Es el mejor tipo de cliente, o por el contrario es un cliente poco duradero y difícil de fidelizar?
  • Es posible ajustar el gasto en campañas que ayuden a fidelizar y mantener una buena relación con los actuales clientes de la compañía.
  • Cómo cambiar el modo de ver al cliente, para que este pase a ser una parte importante de la compañía, en la que hay que invertir para mantenerlo.

Una vez que conocemos lo que es el CLV, podemos afirmar que las compañías aseguradoras podrían beneficiarse al conocer este valor para cada uno de sus clientes y qué además, podrían utilizarlo para resolver cuestiones como las que acabamos de plantear.

¿Pueden las compañías aseguradoras incrementar su CLV actual?

Aquí os pongo algunos ejemplos de acciones en las que las compañías se deben centrar para aumentar su Customer Lifetime Value:

  • Fidelizar a sus clientes. O dicho de otro modo, hacer que su cartera posea cada vez más clientes antiguos, cuya relación con la compañía cada vez sea mayor.
  • Incrementar el número de productos que adquieren sus clientes.
  • Mejorar la atención a los clientes, para que estos se sientan satisfechos con la atención y con los productos adquiridos.

Y, ¿Podemos predecir el valor futuro del cliente? ¿Podemos predecir qué clientes son más rentables para la compañía y cuáles no?

El valor CLV se puede calcular de dos formas: históricamente, para periodos de tiempo concreto, o por otro lado, se puede calcular de forma predictiva. Ambos cálculos igualmente válidos, pero cada uno para un propósito distinto.

  • Los métodos históricos miran los datos del pasado y hacen un juicio sobre el valor de los clientes, basados únicamente en transacciones realizadas con la compañía en el pasado, sin ningún intento de predecir lo que harán esos clientes a continuación.
  • Los métodos predictivos tienen como objetivo modelar el comportamiento de compra de los clientes con el fin de inferir cuáles serán sus acciones futuras.

Son muchos los que aseguran que la predicción del valor del CLV, es la manera más poderosa de entender no sólo lo que un cliente vale para la compañía, sino también cómo su valor va a cambiar a lo largo del tiempo.

Centrándonos en los métodos predictivos

A la hora de modelar el comportamiento de compra para predecir el CLV, es muy importante el contexto empresarial sobre el que se quiere modelar. El contexto empresarial  de las compañías aseguradoras se define por: ser un entorno contractual y cuyas oportunidades de compra no son continuas.

En estos métodos, es donde las técnicas de machine learning entran en juego, ya que cuando hablamos de modelar, estamos hablando de manejar la información que la compañía registra de la actividad de sus clientes, y utilizarla para entrenar los denominados modelos predictivos. Y antes de comenzar a entrenar dichos modelos, es necesario evaluar cuales son los que mayores beneficios nos aportan para nuestro objetivo actual.

Si entramos a evaluar modelos probabilísticos, en concreto los modelos que se utilizan para predecir el CLV suelen centrarse en los mismos tres parámetros constantes, que caracterizan el comportamiento de los clientes:

  • El período durante el cual un cliente mantiene su relación con la compañía.
  • Número de compras que un cliente realizará durante un período de tiempo determinado.
  • Gasto de cada transacción futura del cliente.

Entre los modelos probabilísticos más conocidos, la principal característica de valor que cada uno de ellos nos aporta a la hora de modelar son:

  • El modelo Pareto / NBD permite calcular el número esperado de compras en un período de previsión para cada cliente.
  • El modelo Gamma-Gamma, siendo una evolución del modelo anterior, permite asignar un valor a cada una de esas compras futuras.
  • Otra opción es la utilización de forma combinada de ambos modelos para el pronostico del CLV de cada cliente; para ello se multiplican los valores de las expectativas arrojadas por cada modelo y sus resultados son más completos.

¿Qué más nos puede aportar conocer el valor del CLV?

CLV es considerada una de las mejores métricas para predecir los futuros comportamientos de los clientes de una compañía. Son muchas las aplicaciones en las que se utiliza este valor y aquí os dejo una selección de las más interesantes:

  • Algunos artículos científicos apuestan por utilizar el Customer Lifetime Value para modelar patrones de fugas de clientes, como nos cuentan en este artículo la revista European Journal of Operational Research.
  • Mejorar el rendimiento del servicio de atención al cliente.
  • Mejorar la identificación del público objetivo de cada una de las campañas de marketing.
  • Hacer campañas de e-mail personalizadas.
  • Recordar a los clientes cuándo un producto o servicio va a caducar pronto.
  • Aplicar técnicas de Cross Selling.

Ingeniera en Informática de Sistemas y entusiasta de las tecnologías asociadas al campo de Machine Learning y Deep Learning. Mi vida laboral esta ligada al área de ingeniería de proyectos, con una amplia experiencia en el sector seguros, aunque he trabajado con otros sectores como sanidad, defensa y marketing, entre otros. Actualmente, trabajo como Project Leader en Future Space