La situació
En un negoci de subscripció, la baixa gairebé mai no avisa. Quan el client prem «cancel·lar», probablement ho va decidir setmanes abans, així que la llista que li serveix a l’equip no és la de baixes del mes passat, sinó la del mes que ve. Però hi ha una dificultat que es veu poc: només es dona de baixa un 5 % dels clients. Amb un problema tan poc freqüent, un model que respongués «no se’n va ningú» encertaria gairebé sempre. I no serviria de res.
Què es va construir
Vam preparar les dades i vam construir variables d’ús: accessos, funcions utilitzades, incidències obertes i dies des de l’última interacció. Vam comparar tres models amb validació temporal, perquè cap no aprengués del futur. Cada predicció s’explica client a client, perquè qui truca necessita saber per què truca. A sobre hi va una aplicació web: cerques un client i et dona la seva probabilitat de baixa, el seu nivell de risc i una acció suggerida.
Què en va sortir
Vam escollir el model per l’F2 i no per la precisió, perquè perdre un client que se’n va costa més que trucar a un que s’hi quedaria. Passa el mateix amb una alarma de fum: que soni de més molesta un minut; que no soni costa la casa. Amb aquest criteri, el model detecta 84 de cada 100 baixes. Però l’anàlisi de sensibilitat va mostrar una cosa menys òbvia: a partir de cert volum, el cost de contactar es menja el benefici. Així que la millora no és trucar a més gent, sinó triar millor a qui.
Triar la mètrica és probablement la decisió més important d’un projecte, i per això en cada implantació l’acordem per escrit abans de tocar res. I si els números diuen que no compensa, t’ho diem.
Projecte propi, amb un conjunt de dades públic de telecomunicacions adaptat a l’escenari. Les variables d’ús són sintètiques i l’impacte econòmic és un model, no una factura. El codi és a GitHub (s’obre en una pestanya nova).