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)

El análisis consiste en clasificar a los clientes por su valor en función de tres variables:

Recencia. Días transcurridos desde la última compra.

Frecuencia. Número de compras por período de tiempo, como promedio. Por ejemplo, número de compras mensuales.

Money. Valor de las compras totales realizadas por el cliente en el tiempo de análisis.

Para ello, construímos escalas, basadas en estas variables, dando a cada cliente un valor según el percentil en que se encuentra (percentiles = n grupos de igual tamaño, o nº de clientes). Lo más habitual es trabajar con 5 valores (quintiles), aunque no es raro el uso de 10 valores (deciles), sobre todo en venta directa y online.

Por ejemplo, un cliente que estuviera entre el 20% de los que más recientemente han comprado, en el 2º 20% por frecuencia de compra y el 4º 20% en valor total de compras, se le asignaría el segmento 124,  (R)5 (F)4 (M)2 . Lo vemos en el gráfico:

El gráfico siguiente muestra cómo se distribuye la venta de una enseña de comercio minorista, en función del segmento de valor monetario M al que pertenecen los clientes. Efectivamente, refleja la distribución 20/80 (ligeramente reducida, como suele ocurrir al llevar los paradigmas a la práctica).

El análisis RFM presenta claros beneficios en la segmentación tanto estratégica como operativa de clientes en retail,

• sencillez de interpretación y aplicación
• relativa sencillez de cálculo, frente a técnicas multivariantes
• se integra fácilmente en las dinámicas promocionales habituales en un área de marketing y es ideal para marketing directo y relacional: ¿a qué segmentos dirijo qué comunicación? o ¿qué segmentos responden mejor a la oferta?
  
• dado que los modelos de abandono son complicados de ajustar en retail, el trabajo continuo sobre la recencia de compra es un medio excelente de reducción de abandono a medio plazo
• por todo lo anterior, se presenta como un magnífico punto de partida cuando nos enfrentamos a la segmentación de clientes sin un aprendizaje previo, y con la necesidad de aplicarla inmediatamente

La segmentación y medición de retorno de acciones por canales directos es una de las aplicaciones más usuales de este tipo de análisis. A continuación mostramos unos ejemplos de análisis de respuesta a emails basados en RFM.

fuente: http://www.dbmarketing.com/articles/Art148.htm

fuente: http://www.dbmarketing.com/articles/Art148.htm

Y más aplicaciones, como análisis de comportamiento de clientes por categorías, por temporadas y campañas, por tipo de pdv o implantación, integración de la dimensión espacial en análisis RFML (Location)… pero todo esto ya es materia suficiente para otro post.

Como siempre, esperamos vuestras opiniones, sugerencias, críticas. A vuestra disposición.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (II). La segmentación táctica (12-01-2010)
• Segmentación de clientes. Una propuesta de clasificación (I) (15-12-2009)
• El uso correcto de los datos: elemento básico para un buen análisis (11-01-2012)

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)

Segmentación y visión de cliente.

Los clientes son diferentes entre sí, tienen necesidades diferentes. Hoy en día es generalmente asumida la conveniencia de identificar segmentos de clientes similares con los que comunicarse de manera diferenciada.

La segmentación de clientes no debe confundirse con la segmentación de mercados. Ésta no se basa en el cliente-individuo, sino que suele describir un mercado en función del tipo de clientes que lo componen. Además, los clientes no están identificados, con lo que no es posible usar la segmentación para establecer una relación personalizada.

La segmentación de clientes parte de la existencia de bases de datos de clientes, y desarrolla todo su potencial con el uso de técnicas de análisis estadístico de estos datos. Dado que existen numerosas aproximaciones, proponemos en este documento varias clasificaciones, en función de diferentes criterios.

• Objetivos, finalidad de la segmentación: Segmentación estratégica y segmentaciones tácticas
• Dimensiones, o tipos de información utilizados
• Modo de aplicación, principalmente se distingue la aplicación diferida frente a la inmediata-automática

La segmentación estratégica.

Consiste en la reducción de toda la complejidad de datos de clientes, que pueden ser miles o millones de casos con cientos de datos, a una sola foto donde:

• Los clientes se agrupan en un número reducido de segmentos
• Las variables se reducen a una sola etiqueta descriptiva del segmento, que sintetiza la gran riqueza de datos que han configurado el segmento –las transacciones del cliente con todo el detalle, sus características sociodemográficas, su distancia al punto de venta, los canales de compra usados…-

La imagen a continuación muestra una distribución de segmentos típica en el comercion minorista, en un gráfico de dispersión sobre dos variables clave. Cada una de los segmentos representa a un grupo de clientes con comportamientos, perfiles sociodemográficos y necesidades similares. Los segmentos simplifican, manteniendo la información más relevante y permiten interpretar la  composición de la cartera de clientes desde una visión estratégica.

La segmentación estratégica permite hacer realidad la visión centrada en el cliente, al ser la única manera de fijar objetivos por cliente. Si, por ejemplo, una entidad financiera busca “reducir un 5% la tasa de abandono de clientes altamente vinculados en pasivo”, entonces es necesaria una segmentación estratégica de clientes. No lo será tanto si los objetivos se plantean en términos de producto, por ejemplo “incrementar el pasivo captado en un 5%”.

Igualmente, es imprescindible cuando se trata de imponer esta visión de cliente a través de diferentes divisiones, en el conjunto de enseñas y formatos de un distribuidor o de manera transversal a los canales de comercialización de, por ejemplo, una aseguradora. También es la mejor manera de empezar a comparar de manera homogénea el rendimiento real frente al potencial de diferentes establecimientos, representantes, distribuidores o procedimientos comerciales.

Una segmentación estratégica alcanza el éxito cuando es aceptada y utilizada por los responsables de negocio, convirtiéndose en el mapa conceptual de clientes que toda la organización acepta como punto de partida. Por ello, es clave que en su desarrollo, además de variables puramente estadísticas, sean tenidas en cuenta las  segmentaciones intuitivas que estos decisores y usuarios del modelo acostumbran a manejar en su día a día.

Entradas relacionadas:

• Segmentación de clientes. Una propuesta de clasificación (II). La segmentación táctica (12-01-2010)
• Análisis RFM en retail. Empezando a segmentar clientes (I) (10-02-2011)
• El ciclo de vida del cliente. Un paso previo a la segmentación estadística en el sector bancario (23-03-2010)