Cuando un banco comercial nacional de China lanzó una campaña sobre una aplicación móvil, las descargas alcanzaron los 24 millones. Uno de los principales KPI de la campaña era animar a los usuarios a vincular sus tarjetas de crédito a la aplicación móvil para promover un uso más frecuente. Desafortunadamente, solo 13 millones de usuarios vincularon sus tarjetas.
El banco se propuso lanzar otra campaña para animar a los usuarios a vincular sus tarjetas a la aplicación móvil. Sin embargo, con un equipo de 100 agentes de telemarketing que se podrían utilizar para hacer 200 llamadas por día, tomaría casi dos años comunicarse con los 13 millones de usuarios que no vincularon sus tarjetas.
El banco necesitaba encontrar un grupo específico de clientes que respondiera mejor a una campaña de ese tipo para el equipo de telemarketing. ¿Cómo podrían encontrar ese grupo objetivo en poco tiempo?
Pidieron al director de Analítica de datos de la sección de TI y a su equipo que utilizaran sus herramientas de aprendizaje de máquina para encontrar una solución, ya que se pueden usar para hacer predicciones a partir de datos existentes. El equipo trató de entrenar, evaluar e implementar un modelo que pudiera identificar a un grupo específico de clientes altamente receptivos. Sin embargo, se encontraron con que su solución de software existente no era fácil de usar. Se requería experiencia en la construcción de modelos para crear estas predicciones tan precisas. El proceso también requería experiencia en la optimización de los modelos y en hacerlos escalables.
QY Datatech Inc, el socio autorizado de Minitab en China, presentó Salford Predictive Modeler (SPM) al banco. El equipo utilizó dos de los motores de modelado de SPM, CART® y TreeNet®, que son particularmente efectivos cuando se enfrentan a conjuntos de datos muy grandes y sumamente complejos con diversas variables. En este caso, las variables eran una combinación de los detalles de un cliente y otros datos, como la frecuencia con la que el cliente utilizaba la aplicación del banco.
Por ejemplo, el motor de modelado CART produce un único árbol de clasificación y decisión que acepta datos categóricos para predecir un valor cualitativo y datos históricos que se pueden segmentar en un conjunto de reglas sí/no. Esta segmentación divide la variable de respuesta (Y) en particiones según la configuración de los predictores (X). Al cultivar o “podar” continuamente el árbol CART, el equipo pudo identificar rápidamente otras causas de la variabilidad excesiva en este proceso. Una vez que el equipo redujo a unas pocas las variables predictoras vitales, se establecieron controles para limitar los resultados a grupos de clientes con reglas específicas, como clientes de 25 años o mayores o que tuvieran un ingreso anual de más de 40.000 USD. Estas reglas estaban relacionadas con la segmentación de los datos demográficos de los clientes que tuvieran mayores probabilidades de vincular la aplicación móvil a su cuenta bancaria.
Después, el equipo utilizó el motor de modelado TreeNet para reducir rápidamente las variables que tenían más impacto y podían utilizarse para ilustrar la relación entre la variable y el resultado. El resultado era la posibilidad de que los clientes vincularan la aplicación a su cuenta bancaria y las variables identificadas en este ejemplo incluían los ingresos mensuales mostrados en la gráfica anterior.
Al entrenar, probar y eliminar los clientes poco receptivos de la lista y luego optimizar y validar los modelos, el equipo logró encontrar un grupo objetivo de clientes. Los modelos generados podían identificar las características del grupo de clientes “altamente receptivos” al calificar y evaluar la tasa de respuesta de cada cliente en función de la respuesta histórica de los clientes a las promociones bancarias en el último año.
El equipo del banco afirmó que la mejor parte es que SPM es fácil de usar. Con solo unos pocos clics y sin necesidad de codificar, pudieron generar modelos iniciales y reducir el tiempo total de modelado de meses a días. De hecho, solo se necesitaron siete días para entrenar e implementar un modelo refinado que fuera capaz de predecir el grupo objetivo.
Con este grupo refinado de 2 millones de usuarios de la aplicación que contactar, en comparación con los 13 millones iniciales, el equipo de telemarketing pudo comunicarse con todos en pocos meses. Como resultado, se registró un aumento de 300% en el número de usuarios que vinculan sus tarjetas a la aplicación móvil. El banco también evitó el costo asociado a la contratación de agentes de telemarketing adicionales, al tiempo que logró una mayor eficiencia y promovió estos servicios generadores de ingresos entre los clientes objetivo. El equipo de telemarketing también logró un aumento del 35% en la tasa de éxito en animar a los usuarios a vincular su tarjeta en comparación con campañas anteriores. Con el uso de Salford Predictive Modeler, el equipo del proyecto pudo ayudar al banco a entender y utilizar sus datos para generar información basada en hechos y tomar decisiones que redunden en menores costos.
Un banco comercial nacional de China
13 millones de clientes que utilizan la aplicación móvil del banco no vincularon su tarjeta bancaria a la aplicación