La mayor parte del trabajo de análisis predictivo en marketing produce números que nadie utiliza. Aparece una puntuación de abandono (churn) en el CRM, un modelo de propensión se ejecuta cada noche, un panel muestra una banda de pronóstico para el próximo trimestre y el equipo sigue tomando las mismas decisiones que antes. Antes de construir nada, la pregunta sobre la que vale la pena discutir es: ¿qué decisión cambia si el pronóstico resulta alto o bajo, y quién tiene la autoridad para hacer ese cambio? Si no puede responder a ambas partes, el proyecto es un ejercicio de informes disfrazado de ciencia de datos.
La buena noticia es que la predicción útil en marketing rara vez es sofisticada. Los modelos que se ganan su lugar en nuestras cuentas no son glamurosos: una estimación del valor de vida del cliente lo suficientemente precisa como para establecer un techo de puja de adquisición, una probabilidad de abandono lo suficientemente precisa como para clasificar una lista de retención. Ninguno de estos necesita ser preciso. Necesitan ser direccionalmente correctos y estar disponibles antes de la fecha límite de decisión, que es un listón mucho más bajo de lo que la mayoría de los equipos asumen y mucho más difícil de alcanzar operativamente.
Cuatro pronósticos que cambian lo que hace
Comience con el valor del cliente previsto en la adquisición, porque soluciona el error más común en los medios pagados: pujar la misma cantidad por cada conversión. Cuando las señales tempranas distinguen a un cliente con probabilidades de comprar tres veces de uno con probabilidades de comprar una vez, puede permitirse pagar más por el primero y debería negarse a pagar mucho por el segundo. Este cambio único suele mejorar la eficiencia combinada más que cualquier trabajo de audiencia o creativo realizado junto a él.
- Valor de vida previsto en el registro, utilizado para establecer techos de puja y la profundidad del viaje de bienvenida.
- Probabilidad de abandono o lapsus, utilizada para clasificar una lista de retención limitada en lugar de enviar correos a todos.
- Siguiente mejor categoría, utilizada para decidir cuál de los tres correos electrónicos enviar, no para escribir el texto.
- Demanda por SKU y región, utilizada para pausar el gasto en líneas que se agotarán esta semana.
- Respuesta esperada a un descuento, utilizada para retener ofertas de clientes que habrían comprado de todos modos.
Lo último merece más atención de la que recibe. Los modelos de propensión ordinarios identifican quién es probable que compre, lo que lleva a los equipos a enviar descuentos exactamente a las personas que no necesitaban ningún descuento. Lo que realmente quiere es el aumento (uplift): la diferencia que marca un tratamiento. Requiere grupos de control y un poco más de cuidado, y es la diferencia entre una promoción que aumenta el margen y una que lo dona silenciosamente.
Qué datos necesita realmente
Menos de lo que sugieren los proveedores y más limpios de lo que tiene. Para la mayoría de las empresas de consumo, el historial de transacciones con fechas y valores, la fuente de adquisición básica y un puñado de eventos de participación le darán la mayor parte de la precisión alcanzable. Donde los equipos pierden es en la integridad: registros de clientes duplicados, devoluciones no reflejadas en los ingresos, pedidos de prueba dejados en el conjunto de entrenamiento y un cambio de seguimiento hace seis meses que alteró silenciosamente lo que significa un evento.
Dedique las dos primeras semanas de cualquier proyecto de análisis predictivo de marketing a esa auditoría en lugar de a la selección del modelo. Hemos archivado más proyectos por datos de ingresos poco fiables que por volumen insuficiente. Una regla general: si no puede reproducir los ingresos reportados del último trimestre a partir de la tabla sin procesar con un pequeño margen, no está listo para pronosticar nada a partir de ellos.
La precisión es la métrica de titular incorrecta
Un modelo de abandono que es noventa por ciento preciso suena excelente y puede ser inútil, porque si solo el cinco por ciento de los clientes abandona, predecir que nadie abandona obtiene un noventa y cinco. Lo que importa es si la parte superior de la lista clasificada contiene significativamente más abandonos que una parte aleatoria, y si ese aumento es lo suficientemente grande como para justificar el costo de la intervención.
Igualmente importante es la calibración. Si el modelo dice treinta por ciento, aproximadamente el treinta por ciento de esos clientes deberían abandonar. Las puntuaciones no calibradas están bien para clasificar y son peligrosas para presupuestar, y los equipos multiplican rutinariamente una puntuación bruta por el valor promedio del pedido para producir una cifra de ingresos en riesgo que no tiene base. Verifique la calibración antes de que cualquier número salga del equipo de análisis.
Construya el bucle antes que el modelo
Decida con antelación cómo llega el pronóstico al punto de acción. Una puntuación en una tabla de almacén que alguien exporta a una hoja de cálculo cada lunes se utilizará durante tres semanas y luego se olvidará. Una puntuación escrita de nuevo en el campo del CRM que el equipo de ventas ya mira, o enviada a la plataforma de anuncios como una señal de valor, se utiliza indefinidamente porque no le cuesta nada a nadie usarla.
Planifique la degradación desde el primer día. Los modelos se desvían cuando el negocio cambia: un nuevo nivel de precios, una mezcla de canales de adquisición diferente, una restricción de suministro. Establezca una rutina de monitoreo que compare los resultados pronosticados con los realizados mensualmente y active una reconstrucción cuando la brecha se amplíe más allá de un umbral que acordó mientras todos estaban tranquilos. Sin esto, los modelos se degradan invisiblemente y la confianza del equipo en todos los pronósticos se degrada con ellos.
Mantener las expectativas honestas
Los pronósticos son rangos, y presentarlos como números únicos invita al tipo incorrecto de responsabilidad. Dé el rango, establezca las suposiciones y diga claramente lo que el modelo no puede ver: promociones de la competencia, choques macro, un cambio en la política de canales. Tratado de esta manera, el análisis predictivo en marketing se convierte en una parte normal de la planificación en lugar de una decepción periódica, y los argumentos pasan de si creer en el número a qué hacer al respecto, que es donde pertenecen.
Siga leyendo: Optimización con IA
Servicio relacionado: Optimización con IA