La mayoría de ONG´s llevan a cabo de forma permanente una serie de programas de captación de socios. Al mismo tiempo, abocan los máximos esfuerzos a la retención de los mismos. En este post te contamos un nuevo caso de éxito en el que identificamos las bajas potenciales en las BBDD de una ONG con Churn Analysis.
Cómo realizar un Churn Analysis en nuestra BBDD
En este caso una conocida ONG contactó al equipo de Kraz para intentar minimizar el volumen de bajas de socios que venían sufriendo durante el último periodo. Kraz aplicó técnicas de Churn Analysis para detectar a los clientes con mayor probabilidad de abandono.
El objetivo se centró en detectar socios “abandonistas”, es decir, que fueran a desvincularse de la ONG en los siguientes 3 meses. Se definió a un abandonista como “aquél que deja de ser socio de la ONG”.
Datos de entrada
Se analizaron más de 80 Tablas de datos de las BBDD de la ONG de fuentes como CRM y ERP. En el modelo se incluyeron variables de distintas áreas :
Variables Personales: Incluían información de perfil, por ejemplo:
- Sexo
- Edad
- Antigüedad como socio de la ONG
- Socios que tienen a la ONG en su testamento
Variables Económicas: Perfil de socio en relación a su histórico de contribución dineraria con la ONG
- Importes cobrados por cuotas (aportaciones contínuas)
- Donaciones puntuales realizadas (aportaciones puntuales)
Variables de Marketing y Comunicación:
- Frecuencia de donaciones (en varios ámbitos temporales: lifetime, primer año, último año, etc).
- Interacción con emails (tasas de apertura en varios ámbitos temporales: lifetime, primer año, último año, fecha última apertura, etc)
A partir de estas variables se crearon variables adicionales que podían ser de utilidad en el modelo, por ejemplo:
- Importe cobrado en los últimos x meses (en varios ámbitos temporales: 3, 6, 9, 12, 18, 24 meses, lifetime, 1er año, … etc)
- Número de Donaciones del Socio/Colaborador en los últimos x meses (en varios ámbitos temporales: 3, 6, 9, 12, 18, 24 meses, lifetime, 1er año, … etc)
- Relación / división del número de donativos hechos en los últimos x meses por el número de comunicaciones automáticas recibidas
Entrenamiento del modelo
Se definió un periodo de 3 meses como periodo de entrenamiento del algoritmo (3 meses recientes con datos conocidos de socios abandonistas y resto de socios que permanecían en la ONG).
Estos datos conocidos para este periodo eran:
- Total de socios al inicio del periodo: 144.891
- Socios que permanecían a final del periodo: 141.738
- Socios abandonistas durante el periodo: 3.153
Por lo tanto, un 2,2% de los socios se dio de baja durante el periodo de 3 meses analizado.
El algoritmo del modelo se entrenó para encontrar patrones diferenciados de “abandonistas” versus “no abandonistas”. De los modelos probados (Redes Neuronales y XGBoost), este último dió mejores resultados. Las variables relacionadas con factores de cobro, la antigüedad, el tiempo desde la última apertura y el número de donaciones fueron las variables más importantes para definir abandonistas de la ONG.
Test Empíricos
El algoritmo entrenado se aplicó a los datos de un periodo de 3 meses posterior para evaluar la capacidad predictiva del mismo. En este periodo de test (diferente del periodo de entrenamiento) se midió el grado de acierto de la predicción del algoritmo previamente entrenado con el training dataset.
El algoritmo asignó, para cada uno de los socios, una predicción de “no abandonista” o “abandonista”, a partir de su patrón de comportamiento. Los resultados de esta asignación individual mostraban la siguiente distribución:
En este caso, el algoritmo asignaba un 14,1% de los socios como “potenciales abandonistas” durante el periodo de los siguientes 3 meses.
Los resultados de la predicción, una vez comparados con los datos reales de los usuarios que efectivamente abandonaron la ONG o se quedaron como socios, fueron los siguientes:
De los 2.451 socios abandonistas reales, el algoritmo predecía correctamente a 1.980 de ellos (80,8 % de Sensibilidad). Es decir, del total de abandonistas reales de un periodo, fuimos capaces de detectar previamente al 80% de ellos. Tan solo el 20% de abandonistas reales no eran previamente identificados.
Por otro lado, para identificar a estos 1.980 abstencionistas reales, el algoritmo tenía que hacer una preclasificación de 20.298 potenciales abandonistas, lo que le daba al modelo una precisión del 9,8 %.
Resultados
Los resultados, resumidos por los indicadores de Sensibilidad (80%) y Precisión (10%) indican que fuimos capaces de predecir correctamente a 3 meses vista un gran número de abandonistas -el 80% de ellos.
Dirigiéndose a la base de socios pre-clasificada como potenciales abandonistas (20.298 socios de un total de 144.189) la ONG fue capaz de contactar con el 80% de los verdaderos potenciales abandonistas, pudiendo actuar sobre ellos preventivamente y paliar la fuga de socios.
Haciendo este proceso cada 3 meses (entrenando el algoritmo con nuevos datos, sacando una nueva previsión a 3 meses vista), se estableció el programa de prevención de bajas en la ONG.
Si te interesa que desarrollemos un modelo similar para tu negocio… ¡No dudes en contactarnos! Somos la Consultora Analítica que buscas 😉
