05 Oct IA – BUYER PROPENSY RATE OR CUSTOMER TARGETING
Dentro de mi labor como asesor externo de una importante consultora, donde estoy ayudando a crear el área de inteligencia artificial, mi esfuerzo en formación del equipo tiene dos vertientes, una de negocio donde formar en las principales aplicaciones de la IA en sus clientes y otra en Microsoft Azure Machine Learning, herramienta líder en IA. La próxima sesión formativa que tendré esta semana con el equipo aúna ambos conceptos, ya que en concreto profundizaremos en el concepto de negocio o caso de negocio donde aplica la IA denominado BUYER PROPENSY RATE o CUSTOMER TARGETING dentro de Microsoft Azure Machine Learning.
BUYER PROPENSY RATE OR CUSTOMER TARGETING
Cuando una empresa y en ocasiones el área de Marketing necesita realizar una campaña ofreciendo un nuevo producto o un nuevo servicio, necesita optimizar su inversión y, dentro de su base de datos de clientes, tener herramientas que objetivan esa selección. Estamos ante un problema de inteligencia artificial que en este artículo resuelvo con Machine Learning con una metodología de 5 pasos:
Paso 1. Business Case.
Estamos ante un problema de optimización de recursos y ROI. Por ejemplo, si estamos interesados en realizar una oferta, una acción de telemarketing, un emailing, etc. en nuestra base de datos de clientes con un nuevo servicio/producto, etc. pero solo podemos atacar a un porcentaje limitado de ellos por recursos de inversión, necesitamos estar al máximo posible seguros que el target seleccionado de clientes es el óptimo, maximizando al máximo la posibilidad de éxito en ventas de nuestra campaña.
Una vez determinado el business case debemos explicar para que el lector con pocos conocimientos técnicos en inteligencia artificial pueda entender una posible solución a este problema.
Paso 2. Data acquisition
El siguiente paso es lo que denominamos Data Acquisition. Necesitamos de nuestra base de datos de clientes, supongamos que tenemos 10.000, información de sus características que consideramos clave. Por ejemplo que en algún momento compraron o no un producto o servicio similar al que ahora queremos ofrecer.
Para ello optaremos por fuentes de datos propias, como nuestro ERP, CRM, etc. pero también podemos optar por otras fuentes externas (Big data), por ejemplo:
- Datos de ventas.
- Campañas previas de mkt.
- Datos de compra de terceras fuentes por demografía.
Una vez los tenemos los tenemos que procesar para obtener datos de calidad, por ejemplo seleccionar aquellas variables que más definen nuestro problema (por ejemplo la edad o sexo del cliente, si es que influye), gestionar datos incompletos o nulos,…
Eliminar exceso de variables (features) de las que el problema no depende o bien son dependientes o correlacionadas de otra (por ejemplo si tenemos la edad y la fecha de nacimiento probablemente una de ellas no es necesaria) por ejemplo con técnicas de correlación:
Paso 3. Model development
Puesto que estamos en un problema de negocio de clasificación necesitamos un modelo predictivo que sea capaz de crear dos clases, los que compran y los que no. Necesitamos un algoritmo de clasificación porque la variable resultado es Boolean. Estamos ante un ejemplo de clasificación binaria supervisada (aprende de una base de datos previa que le entregamos). En este caso utilizaremos un algoritmo de Machine Learning denominado regresión logística.
Añadimos el módulo de entrenamiento que necesita el dataset inicial (datos de cliente y si compraron o no en el pasado el producto/servicio similar al que ahora queremos impactar) y el algoritmo. Primero ponemos el dataset 70-30% (70% de los datos son para que nuestro modelo aprenda y el 30% para que prueba de lo que ha aprendido):
Ahora el algoritmo:
Evaluando el resultado con una curva ROC y otros datos que nos dicen hasta qué punto el algoritmo es bueno para el objetivo que buscamos.
Podemos introducir otro modelo de aprendizaje basado en Boosted Tree y vemos que la curva mejora:
Paso 4. Monitor Model performance.
No obstante la CURVA ROC no nos dice todo lo que necesitamos saber, existen otros indicadores de “lo bueno” que es el algoritmo de inteligencia artificial basado en Machine Learning que hemos construido, como Lift Curve, Matrix de confusión, Precision, recall…
Por ejemplo Accuracy mide la habilidad del modelo de predecir correctamente, pero depende, cuidado con las clases no balanceadas. En este ejemplo 1000 clientes compraron en el pasado productos similares de un total de 10000. Un predictor sin ninguna lógica diciendo siempre que ninguno de los 10000 clientes es propenso a comprar tendría una precisión del 90%.
Para evitar esto hay que utilizar otros indicadores denominados SENSIBILITY y SPECIFICITY
SENSIBILITY (capacidad del modelo de identificar la clase que me interesa)
SPECIFICITY (capacidad para identificar casos negativos, es decir, que no comprarían el producto que quiero). Especialmente útil para marketing.
Lo ideal es 100% en ambos pero eso no se da por el error bayesiano (BAYES ERROR RATE). El equilibrio lo da el indicador denominado F1 Score (entre SENSIBILITY y SPECIFITY)
Otro factor clave es EXPLAINABILITY. El algoritmo Boosted Tree determina el valor en base a cálculos profundos de muchos árboles de decisión. No tiene una buena explicación de la decisión que ha tomado, es algo así como una caja negra que no nos explica bien porque decide que un cliente comprará o no nuestro producto, mientras que la regresión logística podría explicar, ante el cliente, que factores explican que se decida o no si un cliente debe entrar o es potencialmente comprador de un nuevo producto.
Paso 5. Model Deploy
Una vez tenemos el modelo desarrollado y seleccionado todo lo anteriormente comentado necesitamos ponerlo en producción. Microsoft Azure Machine Learning nos permite realizar esto de una manera sencilla:
Conclusión
En la próxima jornada de trabajo con mi nuevo equipo tratare de explicarles cómo realizar un modelo predictivo de propensión de compra de clientes así como implementar esto en Microsoft Azure Machine Learning. Si necesita un mentor para su equipo interno en inteligencia artificial, bien necesita un director externo de proyectos de inteligencia artificial que hable el idioma del negocio y el tecnológico o introducir en su plan estratégico la inteligencia artificial, puede contactar conmigo.
Luis Vilanova Blanco. Experto en Inteligencia Artificial.
606954593