Machine Learning & Análisis Predictivo para Identificar Segmentos Altos de Valor de Cliente CLTV

Objetivo del Negocio
Un minorista de ropa online basado en suscripción en Los Ángeles había estado recopilando mucha información potencialmente valiosa sobre sus clientes, pero aún no ha podido extraer información relevante de estos datos, así como los conocimientos deseados para optimizar el rendimiento de su canal de marketing e impulsar el negocio.

El cliente quería comenzar a utilizar esta información para optimizar su enfoque de marketing personalizado, adquisición de clientes, retención a largo plazo y compromiso continuo del cliente. Este vendedor online, estaba haciendo uso de varios canales de adquisición de clientes, pero realmente no sabían cuál de estos canales conducía a clientes con el mayor valor de por vida.

eSage Group se incorporó para crear una solución de Business Intelligence que permitiría analizar y predecir el valor de por vida del cliente (CLTV) para optimizar el gasto en marketing y aumentar la rentabilidad del cliente.

Solución
La solución CLTV requería un lugar para almacenar grandes cantidades de datos históricos del cliente, así como una plataforma de Machine Learning para analizar y preparar estos datos para los esfuerzos de minería de datos. La solución de Business Intelligence que eSage Group desarrolló para este cliente se creó en la plataforma en la nube Microsoft Azure utilizando modelos de aprendizaje automático predictivo de Azure para extraer información de los datos históricos del cliente.

El almacenamiento de Microsoft Azure y el servicio Microsoft HDInsight Hadoop se eligieron como las plataformas principales debido al deseo de los clientes de trabajar dentro de la flexibilidad de los servicios interconectados de Microsoft y aprovechar las capacidades de Azure Machine Learning para determinar los valores de CLTV. Se logró algo de trabajo pesado aprovisionando y ajustando HDInsight y procesando los datos a través de Hive, y luego transportando los datos al espacio de trabajo Azure Machine Learning (ML). HDInsight es una implementación en la nube del stack de tecnología Apache Hadoop Big Data, que está en rápida expansión.

HDInsight permite que los vendedores online y otras personas con necesidades de Big Data recopilen y extraigan grandes cantidades de datos estructurados y no estructurados para mejorar en gran medida la inteligencia del cliente, optimizar el rendimiento de marketing y, en última instancia, aumentar los ingresos por ventas.

En primer lugar eSage Group consolidó la información existente de los clientes de varias unidades de negocios estadounidenses y mundiales, que operan bajo la empresa matriz. eSage Group limpió, transformó, mapeó y cargó estos datos de clientes en Azure Storage antes de que pudieran usarse para el análisis a través de HDInsight y Machine Learning.

eSage creó un datamart de Azure para almacenar esta información consolidada del cliente. Los datos disponibles de los clientes aparecieron a través de tablas externas Hive y administradas a través del servicio HDInsight. Con el nuevo datamart en su lugar, eSage Group pudo probar varios modelos de aprendizaje automático contra los datos del cliente para determinar los atributos mas representativos que indicaban una propensión a un alto valor de por vida, de los clientes ya sean nuevos o existentes.

El modelo de machine learning de Azure, aprovechó datos como el dominio de correo electrónico, la edad, el comportamiento de compra, el estado de VIP y la rentabilidad histórica para calificar a los clientes en su propensión a convertirse en clientes de alto valor de por vida y predecir un comportamiento de compra futuro específico.

Un modelo de minería de datos es tan bueno como los datos que se le proporcionan, por lo que solo se desea usar características del conjunto de datos que mejorasen o conduzcan a una predicción precisa de los clientes con alto valor. En Azure Machine Learning, utilizamos un componente de "Selección de características basadas en filtros" (FBFS) para ayudar a aislar las 10 mejores características en cada conjunto de datos. Estas características se utilizaron para entrenar a los modelos con sus respectivos métodos (puntuación, propensión, etc.). Dentro del FBFS, se utilizaron una variedad de algoritmos como la prueba de Chi Square, la información mutua y la regresión logística multiclase.

Resultados
Se realizó un esfuerzo para determinar el "cliente más valioso" observando el comportamiento de compra pasado y las acciones generales del cliente a lo largo del tiempo. Los clientes fueron clasificados por métricas como el margen bruto frente a sus pares, por tienda y por la cantidad de meses desde que se activaron por primera vez como VIP. Al determinar la posición de valor relativo de cada cliente, fue posible separar a los clientes verdaderamente valiosos de los clientes menos valiosos financieramente y concentrarse en los atributos comunes de estos clientes más deseables. Se realizó una segmentación adicional en atributos como acciones de facturación (Cancelar, Devolver, Omitir, Comprar, etc.), para refinar aún más el comportamiento de los clientes más valiosos.

eSage Group created a new web service output from the new machine learning algorithms to provide the deeper segmentation and intelligence required to identify and target high value customer prospects with additional marketing campaigns, outreach and engagement. Conversely, customers who had an estimated lower lifetime value could now be identified and approached in such a way as to convert them to a valued customer, or to limit our clients exposure to them.

Las características mas relevantes derivadas de CLTV y los comportamientos del cliente se utilizaron para optimizar los esfuerzos de adquisición de clientes, es decir, buscar nuevos clientes potenciales de las fuentes de clientes que ofrecen clientes de mayor valor, y optimizar los esfuerzos de retención de clientes, es decir, enfocar los esfuerzos para ampliar el valor de los clientes de alto potencial.

Las nuevas puntuaciones de CLTV se están introduciendo en el almacén de datos del cliente para su uso en una variedad de iniciativas estratégicas para impulsar estrategias de marketing y mejorar la percepción del cliente.

Entregables
  • Diseño y construcción de un Datamart para clientes de Microsoft Azure en HDInsight
  • Se determinaron los atributos de alto valor en los clientes, a traves del análisis del modelo CLTV en Azure Machine Learning
  • Resultados resumidos del análisis y hallazgos de Azure Machine Learning CLTV
  • Creación de CLTV Web Service y la lógica que permite al cliente ejecutar un conjunto de clientes contra el servicio CLTV para determinar el valor de vida útil
es_MXSpanish
en_USEnglish es_MXSpanish