¿Se puede predecir la repetición de un cliente?
Nos gustaría compartir con vosotros cómo predecir la repetición de un cliente aplicando técnicas de #BigData y #Machine Learning. Podemos predecir qué van a hacer los clientes la temporada que viene y así, anticiparnos a la demanda que vamos a tener, incluso cambiar la estrategia de comercialización.
#La respuesta es si, se puede ..... y en IT Travel Services lo hemos hecho y queremos contároslo.
PASO I
Pongámonos un poco en el contexto
Predecir la repetición de un cliente: El estudio de las pautas de consumo en los diferentes sectores es uno de los mayores campos de estudio en la literatura económica (Zhang, 2014; De Koning et al., 2015; Selvanathan et al., 2016).
En este sentido, las empresas del sector llevan años desarrollando programas de fidelización de clientes por sus efectos beneficiosos no solo en la generación de ingresos recurrentes y en una menor sensibilidad a las bajadas de precios de la competencia, sino porque además un cliente con buena predisposición hacia la marca lo recomienda convirtiéndose en comercial de ésta (Dick and Basu, 1994; Kandampully & Suhartanto, 1994; Reichheld and Sasser, 1990).
Por lo tanto, la identificación de las características y motivaciones intrínsecas del turista (push factors) y de los establecimientos y su entorno (pull factors) permiten adaptar la estrategia del hotel a la hora de conseguir una alta tasa de fidelización de clientes.
¿Y qué datos tenemos realmente de nuestros clientes? La verdad es que si nos fijamos en nuestros ERP, CRMs, analíticas web, etc … tenemos muchos muchos datos, y ahora nos toca analizarlos para poder predecir la repetición del cliente.
Push Factors
Nuestro cliente:
¿Qué información tenemos de nuestro cliente? Algunas variables que tenemos son:
- País y ciudad de origen.
- Sueldo medio y tasa de ocupación / desempleo en origen.
- Existencia de vuelo directo.
- Fecha y precio de la reserva, fecha de entrada, de salida, número de acompañantes, si lleva niños, …
- Cuál fue su canal de compra, si contrata actividades extras en el hotel.
- Si repite en nuestro hotel, o no, etc …
Pull factors
El Hotel y entorno:
¿Qué información tenemos de nuestro establecimiento? Las variables son:
- La tipología (sólo adultos, familiar).
- Vistas al mar.
- Dispone de bares o restaurantes temáticos.
- Dispone de SPA, o actividades de ocio en el hotel.
- En qué zona se encuentra, si dispone de acceso a la playa, cerca de un paseo marítimo o chiringuito.
- Clasificación del hotel en RRSS, etc …
- Posición en SEO, inversión en SEM, etc …
PASO II
Crear un data set para empezar a trabajar.
Después de analizar qué datos tenemos, medir cuál es la calidad de los mismos, descartar inconsistencias, por fin, componemos 2 data set (uno de training y otro de test), con los que vamos a poder (1) estimar el modelo y (2) validarlo. Para ello vamos a aplicar 2 técnicas diferentes pero complementarias, para dar con un patrón de repetición y así predecir el comportamiento de nuestros clientes.
PASO III
Aplicación de técnicas.
Random Forest (RF)
El Random Forest es un algoritmo de clasificación supervisado. Este algoritmo crea un conjunto de árboles de decisión y a partir de los resultados individuales de cada uno de ellos, se realiza una predicción del comportamiento de un individuo.
En el RF es la máquina quien busca la mejor forma de interacción entre la variable independiente y la variable dependiente.
Regresión Logística
La Regresión Logística es un modelo de clasificación paramétrico. Permite estimar en términos de probabilidad el cambio en el comportamiento de los clientes cuando se produce un cambio en la una variable dependiente.
En la regresión logística es el analista quien las busca y no es capaz de comprobar tantas posibilidades como un algoritmo.
PASO IV
Análisis de resultados.
Una vez aplicadas ambas técnicas llegamos a una capacidad de predicción del 98,33%, es decir, que acertamos con una probabilidad muy alta qué cliente va a volver. Para ello vamos a aplicar 2 técnicas diferentes pero complementarias, para dar con un patrón de repetición y así predecir el comportamiento de nuestros clientes.
PASO V
Conclusiones.
Si yo sé qué cliente va a volver o sé identificar que tipología de cliente es el que vuelve, puedo replantear toda mi estrategia. Pongamos algunos ejemplos:
- En el caso de que se trate de un cliente que habitualmente compra por el canal de TTOO, puedo cambiar la estrategia de comercialización, e impactarle por otro medio para captarle como cliente directo.
- Beneficios:
- Ajusto cupos de touroperación.
- Aumento ingresos gracias al margen que nos deja el cliente directo vs TTOO.
- Beneficios:
- Si podemos predecir qué cantidad de clientes van a repetir en nuestro hotel, seremos capaces de definir la política de contratación de personal con anticipación y con datos más fiables.
- Dentro de mi web soy capaz de detectar el patrón del cliente repetitivo, el producto a ofrecer estará más acorde con las preferencias del cliente. Al igual ocurre en el caso contrario.
- Si sabemos cómo es el perfil del cliente repetidor (servicios de extras, tipo de habitación, régimen alimenticio, etc …), podremos mejorar nuestros procedimientos operativos, adaptándonos a la demanda real que tendremos.
- ¿Identificamos al cliente repetitivo y conocemos su antelación promedio de compra?= podemos ajustar nuestra políticas de pricing y ofrecerles la opción de contratar nuestros servicios, justo en el momento en el que están pensando en nosotros.
VÍDEO EXPLICATIVO DEL PROCESO
Descarga el artículo completo.
En definitiva, hoy en día se están generando muchos datos que no se están aprovechando y desde IT Travel Services, te ofrecemos la posibilidad de hacerlo, ya que, sabemos cómo obtener los datos, cómo procesarlos y cómo analizarlos, para que obtengas la máxima rentabilidad.
Gracias,
Mar Muñoz Muñoz
