--- title: "Mejores prácticas en gestión del churn: Data science" description: La gestión predictiva de los clientes en riesgo de fuga (Churn) ha evolucionado. Mostramos algunos avances científicos en modelamiento predictivo de churn --- [Ciencia de datos, investigación de mercados, IA ](https://www.sinnetic.com/blog) # [Mejores prácticas en gestión del churn: Data science](https://www.sinnetic.com/blog/mejores-prácticas-en-gestión-del-churn-ciencia-de-datos) Escrito por [Gabriel Contreras](https://www.sinnetic.com/blog/author/gabriel-contreras) | 30/06/2021 02:27:28 PM El caso de uso más representativo en las organizaciones cuando se habla de ciencia de datos, es sin lugar a dudas la predicción y explicación de la fuga de clientes, attrition o churn. Se habla tanto de esto que aveces las empresas dudan si el científico de datos sabe hacer otra cosa diferente a medirlo y gestionarlo. No es para menos, un punto de churn equivale a miles de dólares. En este blog, queremos compartir con ustedes algunos conocimientos derivados de nuestra práctica consultiva alrededor de predicción y gestión del churn con nuestra metodología [VDD (Visual Data Discovery).](https://www.sinnetic.com/ci360?hsLang=es-co) ROL FINANCIERO DEL CHURN: Como se muestra en el gráfico a continuación, la relación con clientes presenta diferentes retos: - - - Cuando se inicia una relación comercial con un cliente, los **costos de adquisición **bajan el margen: ¿Cómo reducir los costos de adquisición con mejores estrategias de targeting? - Siempre queda la duda si estamos **dejando dinero sobre la mesa**, adicionalmente queremos que los clientes no solo compren un producto o servicio, queremos que el cliente se vincule con todo nuestro portafolio: ¿Cómo hacer venta cruzada y venta escalonada?  - Las relaciones comerciales se agotan y es posible que tengamos **signos de pérdida de clientes**, no renovaciones, que el cliente retire productos o servicios de su portafolio etc.: ¿Cómo retener el cliente de una forma rentable para la organización? - La **recuperación de clientes perdidos** sería otra pregunta: ¿Cómo detectar clientes que podemos recuperar? ¿Con qué oferta recuperarlos? MEJORES PRÁCTICAS EN GESTIÓN DE CHURN El diagrama a continuación, muestra un resumen desde nuestra experiencia consultiva y de la revisión de la literatura científica. Hemos aislado 17 mejores prácticas y están clasificados según su impacto en la reducción de churn (Eje X), Costo de implementación (Eje Y), Riesgo (Eje Z, Colores) y Esfuerzo requerido (Eje W, Tamaño) Para efectos del presente blog, nos concentraremos en aquellas directamente relacionadas con modelamiento predictivo. FUENTES DE DATOS: La integración de sistemas transaccionales resulta clave para construir modelos de datos eficientes en la gestión predictiva del churn. A continuación evaluamos 4 fuentes diferentes de datos desde tres perspectivas:  - - - **Intra-operabilidad: **La fuente sea transversal, indique la salud de diferentes procesos al interior de la organización y un cambio en esta fuente alerte diferentes procesos. - **Accionabilidad: **La fuente sea de datos que representen aspectos que el negocio pueda alterar con el fin de lograr un mejor resultado. - **Validez estadística: **Posibilidad de hacer inferencias válidas cuando no se trate de censos. ESTRATEGIAS DE MODELAMIENTO: Generalmente, las organizaciones deben escoger entre dos poderosos resultados: - - - Tener un modelo que permita explicar las causas del churn para tener una teoría de negocio eficiente y así construir una estrategia razonable. Estos modelos pueden tener fallas de predicción leves - Tener un modelo que prediga con la mayor precisión y exactitud posible. Estos modelos generalmente son difíciles de entender. La evidencia científica soporta las siguientes conclusiones: - - - El [customer journey map empírico](https://www.sinnetic.com/es-co/cognitive_services/ciencia-de-datos-y-el-journey-emp%C3%ADrico-de-experiencia-de-cliente) es 43% más efectivo que cualquier otro predictor para estimar poblaciones en riesgo y futuros churners. - Los modelos de churn deben ofrecer al negocio dos elementos: 1. Tiempo que queda de vida para el cliente y 2. Probabilidad de perderlo y esta dupla se logra eficientemente con modelos integrales entre estadística (Survival analysis) e inteligencia artificial (Factorization machines). - El negocio requiere que el modelamiento logre las dos cosas a la vez: 1. Una teoría de negocio convincente que explique las causas del churn y 2. Una predicción exitosa para pasar a producción la estrategia. VDD es un poderoso mecanismo de ingesta integración y analítica de datos provenientes de diferentes sistemas transaccionales de la organización con el fin de retener y valorizar la relación que tenemos con clientes y canales. Como metodología se basa en procesamiento estadístico e inteligencia artificial Si quieres conocer más sobre la metodología, uno de nuestros consultores se pondrá en contacto contigo: [América del Sur](https://meetings.hubspot.com/gabriel-contreras?__hstc=153243239.cfc9dacbd724137a1bb587f01abdf00e.1612128071465.1625000847759.1625061781350.77&__hssc=153243239.3.1625061781350&__hsfp=2892841825) [México y Centroamérica](https://meetings.hubspot.com/lucie-poisson?__hstc=153243239.cfc9dacbd724137a1bb587f01abdf00e.1612128071465.1625000847759.1625061781350.77&__hssc=153243239.3.1625061781350&__hsfp=2892841825) [Ver post completo](https://www.sinnetic.com/blog/mejores-prácticas-en-gestión-del-churn-ciencia-de-datos) ```json { "@context" : "http://schema.org", "@type" : "BlogPosting", "author" : { "@type" : "Person", "name" : "Gabriel Contreras" }, "dateModified" : "2021-10-21T05:55:59.320Z", "datePublished" : "2021-06-30T14:27:28Z", "headline" : "Mejores prácticas en gestión del churn: Data science", "image" : { "@type" : "ImageObject", "height" : 450, "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/redes/redes-blog-churn%20715x450.jpg", "width" : 715 }, "mainEntityOfPage" : "https://www.sinnetic.com/blog/mejores-prácticas-en-gestión-del-churn-ciencia-de-datos", "publisher" : { "@type" : "Organization", "logo" : { "@type" : "ImageObject", "height" : 60.0, "url" : "https://f.hubspotusercontent00.net/hubfs/8862358/NEW%20LOGO-Jan-30-2021-05-23-31-53-PM.png", "width" : 104.52962 }, "name" : "Ciencia de datos, investigación de mercados, IA" } } ```