Conoce nuestros programas:
Índice

Hola lectores de SharingAway, ya había pasado un tiempo desde que habíamos generado nuestro último ejemplo de Inteligencia Artificial aplicada con Nocode, si te los perdiste lo tienes aquí

y aqui. Ya era hora y trajimos un nuevo caso de uso.

Les traigo un caso bastante real y práctico. Un momento poco deseado es ese cuando nos llega la alerta: “El cliente Juancito ha dado de baja su suscripción” o “El cliente Juancito hace x días no compra productos”, en el mundo empresarial llamamos a esto Customer Churn o abandono de clientes. Es una de las situaciones más difíciles y costosas para cualquier negocio dado que significa que algo se hizo mal reteniendo a ese cliente.

Sabemos que siempre el costo de adquisición es mayor al de retener, por lo tanto una pérdida siempre va a ser más costosa que cualquier esfuerzo de retención. Es por eso que en este caso práctico quiero contarte como podemos hacer para utilizar modelos de Inteligencia Artificial que nos ayuden a anticiparnos a este momento actuando de manera proactiva sin sorpresas ni costosas pérdidas.

Kaggle

En esta ocasión nos vamos a apoyar en una de las comunidades y plataforma más importante de Data Science, si no la conocías, se trata de Kaggle. Una comunidad que pertenece a Google y fomenta el aprendizaje en Ciencia de datos, donde empresas postulan competencias y quién logre el mejor resultado gana un premio, muchas veces en dinero. Aparte de este entorno de competencias, muchas personas también publican sus trabajos en Análisis de datos e incluso Data Sets públicos, lo que lo transforma en un excelente lugar para aprender.

DataSet Preparation

En esta oportunidad vamos a estar trabajando con un data set de 2206 registros de una compañía XYZ. El Data Set contiene información acerca del perfil de cliente, las preferencias en productos y la performance de campañas y canales de adquisición. Dado que estaremos trabajando con un Data Set externo a Obviously, vamos a tener que usar la funcionalidad de “upload Data Set” y veremos con eso que tipo de información arroja Obviously cuando el Data Set es externo a la plataforma.

El dato de churn no está como tal en nuestro Data Set, y por eso es que vamos a hacer un poco de “Data Preparation”, creando nuestra propia definición de Churn. Para esto diremos que si transcurren más de 30 días desde la última compra, el usuario nos abandonó. Utilizaremos la columna Recency que si está incluida en el Data Set y crearemos una columna “churned” que tomará un valor dummy, es decir, 0 si no abandonó o 1 si lo hizo.

Ajustes en Obviously

Yendo a obviously vamos a comenzar con crear una nueva predicción. En este caso, por el tipo de problema que queremos resolver, utilizaremos un modelo de Clasificación. Recuerden que queremos predecir “Abandono” o “No abandono”.

El siguiente paso es simplemente elegir nuestra fuente de datos, que en este caso será desde un archivo CSV.

Una vez que elegimos nuestro archivo, Obviously nos pedirá, nombre de archivo, aquí podemos poner cualquier cosa que nos ayude a identificar luego el Data Set que vamos a estar subiendo. Por otra parte, nos pedirá si la primera columna se trata de los nombres de las columnas y si todos los requisitos se cumplen, ambas cosas diremos que si. Con eso listo damos en Upload.

Una vez cargado el Data Set, obviously nos resume alguna información y nos da la opción de cambiar el tipo de dato. Es cierto que acá será necesario hacer algunos ajustes pero los dejaremos para revisar en la membresía PRO de SharingAway, que por cierto si aún no sos parte de la comunidad PRO, te invitamos a que descubras todo el valor que vas a descubrir por allá.

Luego de dar continuar el siguiente paso es elegir la columna que vamos a querer predecir, en nuestro caso es la columna que elaboramos, Churned. Ahora sí, no se diga más y damos en Start Predicting. La magia va a suceder más rápido de lo que esperamos…

Ualá, ya tenemos nuestro modelo entrenado. Cómo ven la precisión es de 67.18%, si bien es muy buena, es mejorable, eso es cierto. Pero tenemos un modelo decente y sobre todo, util. Como datos interesantes podemos ver además que: la cantidad de niños del hogar (Kidhome), el número de compras (NumDealsPurchases) y los días desde que es cliente (Customer_Days), son las tres variables que más explican los resultados. Si bien la primera suena un poco novedosa, las dos últimas suenan bastante lógicas ¿Verdad? Si bien no lo sabemos por ser los datos anónimos, es posible que este negocio involucre un cambio en los hábitos de consumo de los clientes, dependiendo de si son padres o no.

Conclusiones e ideas

Vean como no necesariamente tenemos que usar el Data Set por defecto, siempre es importante preguntarnos cómo a partir de la información disponible, podemos incluso crear más información. Siempre es bueno crear nuevas variables, como lo hicimos con la columna Churned.

Incluso se podrían crear nuevas variables combinando más de una columna. Por ejemplo, se podría crear gasto promedio, haciendo un promedio de las columnas que indican el gasto en cada uno de los rubros o calculando el rubro donde más se gastó, o menos, y crear una variable categórica para eso. En conclusión, es necesario realizar este tipo de ajustes y mejoras de “feature engineering” para crear diferentes iteraciones hasta lograr el mejor rendimiento posible.

Hemos dejado varios conceptos interesantes en este nuevo HowTo de cómo hacer Machine Learning sin código. Espero puedan cuanto antes aplicarlo a resolver problemas reales en sus puestos de trabajo, en sus proyectos o para sus clientes. Seguro aportarán un valor increíble.

¡Hasta la próxima!

Únete al PRO hoy mismo

Tu camino hacia la mejor formación de vanguardia empieza aquí

Quiero ser PRO
Por:
Mateo Fuentes
Usando la IA inteligentemente

3 min

Heading

30 min

Heading

16 min

Heading

15 min

Heading

12 min

Heading

96 min
Cambia tu vida, aprende NoCode

Tu camino hacia la mejor formación de vanguardia empieza aquí

Más información
Sigue descubriendo a tu comunidad
No items found.
No items found.
No items found.
Hacer que los clientes no te abandonen con Inteligencia Artificial