- 84 %de les baixes es detecten a temps
- 0,93AUC del model escollit
- 5 %de baixes reals: el problema és poc freqüent i per això és difícil
La situació
En un negoci de subscripció la baixa no avisa. Quan el client prem «cancel·lar», la decisió ja la va prendre setmanes abans, i aleshores ja no hi ha conversa possible. L’equip de retenció té la llista de baixes del mes passat; el que necessita és la del mes que ve.
Què es va construir
Un sistema d’avís primerenc de cap a cap: preparació de dades, enginyeria de variables d’ús —accessos, funcions utilitzades, incidències obertes, dies des de l’última interacció—, tres models comparats amb validació temporal per no fer trampes amb el futur, i explicació per client de per què està en risc. A sobre, una aplicació web per consultar un client concret i rebre’n la probabilitat, el nivell de risc i l’acció suggerida.
Què en va sortir
La mètrica escollida no va ser la precisió, sinó l’F2: deixar escapar un client que se’n va costa molt més que trucar a un que s’hi quedaria. Amb aquest criteri el model detecta 84 de cada 100 baixes. L’anàlisi de sensibilitat va mostrar, a més, el contrari del que un esperaria: a partir de cert volum, el cost de contactar es menja el benefici, així que la palanca no és trucar a més gent sinó afinar a qui.
Què té a veure això amb tu
És exactament la manera de treballar que venem: un problema de negoci traduït a una mètrica, un model que es pot explicar client a client, i uns números senzills que diuen quan deixa de sortir a compte. Sense misteri i sense caixa negra.
Tots els casos