Personalmente el uso de la categorización de variables sí que te aporta un valor añadido depende en qué situaciones pero también resta potencia en los datos en muchas otras.

Concretamente, en una segmentación donde lo importante es analizar perfiles de clientes que tienen un mismo patrón el cual agruparemos en clusters no es tan necesario como la eliminación de los outliers o bien la normalización de los datos para eliminar la influencia de las métricas.

La dispersión que recoge una variable y como interactúa ésta con el resto de variables que hemos escogido es la guía que sigue el método de segmentación para generar los clusters. Si categorizamos las variables recortamos el nivel de dispersión con lo cual si nuestra muestra no viene definida por patrones muy diferenciados de comportamiento encontraremos clusters que en media tenderán a valores muy similares.

Esto implica que los datos categorizados no son útiles? No, todo lo contrario. Imaginemos que queremos estimar la propensión de compra de un producto en concreto teniendo en cuenta una serie de variables. Este caso es diferente ya que tenemos una variable objetivo.

El procedimiento óptimo sería analizar de forma conjunta cada variable explicativa y el efecto que produce sobre la variable objetivo. En los puntos dónde se produce un cambio de pendiente será el punto óptimo para crear una nueva categoría. Así pues, en este modelo tendríamos las variables explicativas categorizadas, perdiendo información al no tener el dato real, pero teniendo marcado el punto óptimo dónde se produce un cambio en la variable objetivo como nivel o categoría de la variable explicativa.

Resumiendo, el uso de la categorización de la variables es correcto? Depende. En la segmentación es preferible no usarla ya que si no existen patrones muy nítidos  en los datos perderemos información y tendemos a encontrar clusters muy poco diferenciados. En un modelo de regresión sí que es correcto el uso de una variable categorizado, siempre con un estudio previo para determinar los puntos óptimos para establecer los cortes.

Espero que con esta reflexión os ayude en el planteamiento de vuestros futuros análisis.

Entradas relacionadas:

• Análisis RFM en retail. Empezando a segmentar clientes (I) (10-02-2011)
• Segmentación de clientes. Una propuesta de clasificación (I) (15-12-2009)
• Los pasos para diseñar e implantar un programa de fidelización (10-03-2010)

Con esta ideología creo ciegamente en que una segmentación masiva sólo permite llegar hasta una capa superficial de la realidad, y en muchos casos no recoge el verdadero comportamiento del cliente tipo de cada segmento debido a que la propia segmentación tiene que hacer el esfuerzo de separar clientes que nosotros mismos sabemos de antemano que ya son heterogéneos.

Así pues, nace la idea del filtraje anterior a una segmentación masiva y más concretamente en mi sector, el bancario, seria utilizar el ciclo de vida del cliente como segmentación estratégica a priori antes de la segmentación estadística. Varios artículos publicados ya recogen esta ideología como herramienta a tener en cuenta al segmentar una base de datos de cliente. Y el sentido común nos dice que un cliente sénior no tiene las mismas necesidades que uno joven.

Introducir el conocimiento teórico que se conoce del sector nos permite incrementar nuestra potencialidad de estimación de nuestros futuros modelos de propensión, valor del cliente, potencial del cliente,… simplemente escogiendo como muestreo los clientes correctos. La consecuencia directa es que no conseguimos segmentos 100% independientes ya que al tratar la edad como corte inicial podremos encontrar perfiles idénticos para diferentes tramos de edad. Ahora bien esto nos servirá para ver como el segmento del tramo de edad anterior puede evolucionar en un futuro próximo. No hay mal que por bien no venga.

Tener este tipo de segmentación permite calcular modelos de propensión dirigidos para cada segmento y pudiendo saber para cada uno el comportamiento promedio a partir del cual poder determinar que clientes son los óptimos. Análogamente se podría aplicar esta ideología al valor del cliente, a las sendas de abandono, siempre teniendo como referencia la segmentación, dando un valor añadido a todas estas técnicas.

Mi experiencia en estadística no se remite únicamente al sector bancario, así pues en el mundo de la consultoría he visto esta aplicación al crear tipologías de cliente (separando previamente por nacionalidad del cliente), en el mundo de estudios de mercado separando por la aceptación a un determinado producto. Dependiendo del sector en que nos movamos el conocimiento de este nos llevará a hacer un tipo de consideraciones previas u otras.

Espero que está reflexión en voz alta le sirva a alguien para poder tener otra visión de la segmentación, herramienta que me parece clave en el business intelligence.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (I) (15-12-2009)
• Segmentación de clientes. Una propuesta de clasificación (II). La segmentación táctica (12-01-2010)
• Geomarketing, zonas de paso, transeúntes… ¿una nueva era? (10-09-2010)