A model of customer lifetime value and ex poste value-based segmentation. An application in a financial services retailer based on probabilistic and data mining models.(modelización del valor del tiempo de vida del cliente y segmentación ex poste basada en el valor. Aplicación en un minorista que ofrece servicios financieros utilizando modelos probabilísticos y de minería de datos

Resumen

El análisis del valor del tiempo de vida del cliente o Customer Lifetime Value (CLV) analysis es un término genérico que se utiliza para denominar a un grupo de metodologías que estudian el valor presente neto de los beneficios asociados a cada cliente, una vez que ha sido adquirido, tras sustraer los costes incrementales asociados a cada cliente (e.g., de marketing, de venta, de producción o de servicio), a lo largo de su relación con la empresa. En particular, considerando el contexto seleccionado (un proveedor de servicios financieros que opera a nivel nacional) y los datos disponibles (un panel de consumidores), para esta investigación el CLV es definido como se indica a continuación: ¿el valor presente y futuro neto procedente de la adquisición de productos bancarios¿. Más específicamente, CLV es el valor presente de la suma de las contribuciones al margen actuales y futuras de los clientes de la empresa, lo que depende de la longitud, profundidad y amplitud de la relación de cada uno de esos clientes con la empresa a lo largo de sus tiempos de vida en los que operan o han operado con la empresa, teniendo en cuenta el valor temporal del dinero utilizando un ratio de descuento para ajustar las predicciones sobre el futuro al presente. Desde una perspectiva general de marketing, esta investigación está motivada por la existencia de ciertas tendencias en el contexto bancario (por ejemplo, mejorar la gestión de clientes, centrada en el fortalecimiento de las relaciones con los clientes existentes a través de la excelencia en la calidad del servicio o el desarrollo del customer-centric banking) que anima a los bancos a alcanzar determinados retos para mantener su competitividad, especialmente desde el inicio de la crisis financiera actual. Por tanto, para ayudar a superar las dificultades económicas actuales, queremos ofrecer una herramienta para gestionar a los clientes bancarios que puede impulsar tanto al lado de la oferta (es decir, al banco, puesto que nuestro modelo de CLV puede ser considerado como una herramienta de CRM, ya que ofrece una evaluación económica de los clientes), como al de la demanda (es decir, a los clientes, ya que nuestro modelo de CLV puede ayudar a comprender los comportamientos de los clientes y anticiparse a sus necesidades, lo que facilita la relación y el intercambio entre el banco y el cliente). Desde un punto de vista teórico, los clientes y las relaciones con los mismos han sido considerados activos valiosos e intangibles desde hace décadas. Si a esta proposición teórica le sumamos un objetivo empírico, el resultado nos lleva a la senda del análisis de los registros históricos de las interacciones entre el cliente y el banco (i.e., transacciones bancarias), de tal manera que los bancos (y en general las empresas que utilicen este tipo de modelizaciones) van a ser capaces de obtener una información muy valiosa que le ayudará a comprender los comportamientos de sus clientes y a anticiparse a sus necesidades, como ya se ha indicado con anterioridad, generándose impacto en el rendimiento del negocio y en la satisfacción del cliente con la oferta. Como cada vez más la empresas ven a los clientes como un importante activo, los métodos de estimación del CLV desarrollados hasta la fecha se configuran como una importante herramienta de marketing estratégico. Todas las razones anteriormente expuestas nos han llevado a implementar un modelo de CLV en un contexto bancario, con el objetivo de calcular el valor que los clientes generan como base para un posterior análisis de segmentación. De esta forma, presentamos un nuevo diseño de investigación para obtener una segmentación de clientes más rica teniendo en cuenta el CLV que cada cliente ofrece a la empresa (y otras variables sociodemográficas). Mientras que la segmentación tradicional se centra en identificar grupos de clientes utilizando sólo variables sociodemográficas y otros atributos (como actitudes y perfiles psicográficos), el uso del CLV nos permite llevar a cabo una nueva y diferente forma de segmentar a los clientes: a value-based segmentation approach. Desde un punto de vista metodológico, el objetivo de esta tesis doctoral es presentar una nueva combinación de técnicas estadísticas para modelizar el CLV. Tanto la evaluación como la segmentación de los clientes han sido problemas tratados previamente en la disciplina del marketing, aunque, como ya se ha comentado, en esta investigación se propone un nuevo diseño empírico que resuelve ambos problemas de una manera diferente, esto es: (1) en primer lugar estimando el CLV de cada cliente, y (2) en segundo lugar, segmentando a los clientes de acuerdo con este valor individual obtenido en (1) y otras características sociodemográficas individuales (i.e., edad, sexo e ingresos). Para llevar a cabo esta tarea, hemos seleccionado ciertos componentes y drivers del CLV, todos ellos considerados esenciales en la relación entre el cliente y la empresa. En particular, respecto a los componentes del CLV nos referimos a la retención (dimensión longitud de la relación), propiedad de productos (dimensión amplitud de la relación), uso de productos (dimensión profundidad de la relación) (para más detalles sobre estas tres dimensiones véase Bolton et al., 2004), contribución al margen y el ratio de descuento para ajustar las predicciones del futuro al presente. Respecto a los drivers del CLV destacar que se trata de los comportamientos subyacentes que definen a las dimensiones longitud, amplitud y profundidad de la relación y que de manera conjunta ayudan a predecir el CLV. Por tanto, utilizando datos mensuales de una base de datos compuesta por 1.357 clientes de una empresa española que ofrece servicios financieros, presentamos un modelo probabilístico, en particular un modelo jerárquico Bayesiano, utilizado para: (1) descubrir aquellas características de los clientes con más potencial para predecir la retención (dimensión longitud), la propiedad de los productos (dimensión amplitud), el uso de los productos (dimensión profundidad) y la contribución al margen; y (2) predecir estas cantidades a partir de los drivers del CLV. Todo ello nos ayuda a calcular el valor del tiempo de vida de cada cliente de la muestra. Una vez que los predictores más importantes del CLV han sido identificados y calculados, se obtiene el valor individual del CLV (véase fórmulas en el Capítulo 5). Como ya se ha mencionado, esta cantidad y varias variables sociodemográficas son los inputs para una posterior fase de segmentación (a value-based segmentation). Para esta segunda tarea se utiliza una técnica de datamining denominada árboles de regresión. Esta segmentación se utiliza para identificar aquellos grupos de clientes que son más/menos valiosos con el objetivo de proponer la implementación de diferentes estrategias para gestionar los diferentes tipos de clientes del banco. En definitiva, ambos análisis (modelos jerárquicos Bayesianos y árboles de regresión) proveen una excelente oportunidad para diseñar un marco que tenga en cuenta sus interdependencias a la vez que permite una evaluación cuidadosa de la contribución de cada cliente durante su tiempo de vida de operación con el banco, proveyendo una herramienta de CRM potencialmente poderosa para el banco.