Fuga de clientes
Clientes activos por nivel de riesgo
Solo clientes que siguen activos. «Ingreso en riesgo» = probabilidad de fuga × ingreso anual de cada cliente.
¿Cómo se reparte la probabilidad de fuga?
Cada barra agrupa clientes activos con probabilidad parecida. La cola derecha es donde conviene actuar.
¿Qué empuja a un cliente a irse?
Efecto de cada variable sobre la probabilidad de fuga, manteniendo las demás constantes. Las barras rojas aumentan el riesgo y las verdes lo reducen.
Peso relativo de cada variable
Coeficiente estandarizado: el cambio en el log-odds de fuga por cada desviación estándar de la variable.
Significancia estadística
El odds ratio (OR) por unidad indica cuántas veces se multiplican las probabilidades relativas de fuga al subir la variable en 1.
Simulador de campaña de retención
Decide a cuántos clientes contactar y con qué presupuesto. El tablero calcula el ingreso protegido y el beneficio neto esperado, comparado con contactar al azar. Respeta el filtro de riesgo y el escenario de arriba.
Parámetros de la campaña
Ajusta los supuestos con los valores reales de tu negocio.
Ingreso protegido = prob. de fuga × éxito × ingreso anual. Costo = costo por contacto + descuento × ingreso anual × éxito (se entrega a quienes aceptan la oferta).
¿Cuánto tiempo se queda un cliente?
Curvas de retención Kaplan-Meier: porcentaje de clientes que sigue activo según los meses de antigüedad, separados por número de reclamos.
Curva de retención por nivel de reclamos
Las curvas que caen más rápido corresponden a grupos que se van antes.
Retención por grupo
Mediana: mes en que la mitad del grupo ya se fue.
¿Qué tan confiable es el modelo?
Validación con clientes que el modelo no vio al entrenarse (30 % de la base, separados al azar con semilla fija). El umbral de alerta se cambia en ⚙️ Configuración.
Curva ROC
Cuanto más se acerque la curva a la esquina superior izquierda, mejor separa a quienes se van de quienes se quedan. El punto naranja es el umbral elegido.
Matriz de confusión
Si la probabilidad supera el umbral, el cliente se marca como «se irá». Un umbral bajo detecta más fugas pero genera más falsas alarmas.
Fuga observada vs. predicha por decil
Decil 1 = 10 % de clientes con mayor riesgo. Si las barras (real) siguen a la línea (modelo), las probabilidades están bien calibradas.
Curva de ganancia acumulada
Porcentaje de las fugas reales capturado al contactar al X % de clientes de mayor riesgo, frente a elegir sin modelo.
Regresión logística vs. Random Forest
Se entrenan dos modelos con los mismos clientes y se evalúan con los mismos clientes de prueba (30 % de la base, que ninguno vio al entrenarse). El logístico se puede explicar con coeficientes; el Random Forest es un conjunto de árboles de decisión que captura relaciones no lineales pero es más difícil de explicar.
Curva ROC de los dos modelos
Cuanto más se acerque una curva a la esquina superior izquierda, mejor separa a quienes se van de quienes se quedan.
¿Qué variables pesan más en cada modelo?
Peso relativo (suma 100 %). Logístico: tamaño del coeficiente estandarizado. Random Forest: cuánto cae el AUC al desordenar la variable.
Curva de ganancia acumulada
Porcentaje de las fugas capturado al contactar a los clientes de mayor riesgo según cada modelo.
Resumen comparativo
Calibración por decil de riesgo
Decil 1 = 10 % de clientes con mayor riesgo según cada modelo. Si «real» y «predicha» se parecen, las probabilidades son confiables para calcular montos; si no, el modelo solo sirve para ordenar.
Lecturas
Clientes a contactar primero
Clientes activos con mayor pérdida esperada, los factores que más elevan su riesgo y la acción sugerida.
Lecturas del modelo
Metodología
La probabilidad de fuga de cada cliente se estima con una regresión logística ajustada por máxima verosimilitud (IRLS):
- Las variables se estandarizan; los p-valores son de la prueba de Wald (aproximación normal).
- Validación: 70 % de los clientes entrena, 30 % evalúa. Se reportan AUC (con IC 95 % de Hanley-McNeil), KS, Brier, deciles y calibración. El modelo final se reajusta con toda la base para calcular los coeficientes y las probabilidades.
- Ingreso anual del cliente = ticket promedio × compras por mes × 12.
- La antigüedad entra como variable explicativa y también como tiempo de vida en las curvas Kaplan-Meier (prueba log-rank entre el primer y el último grupo).
- Los resultados describen asociaciones, no causas: una campaña bien diseñada debería medirse con un grupo de control (prueba A/B).
- Conviene reentrenar el modelo cada mes o trimestre, porque el comportamiento de los clientes cambia.