Cómo realizar un análisis predictivo para incrementar las ventas.

Cómo realizar un análisis predictivo para incrementar lasventas

Autor: Kraz Team
octubre 08, 2021
incrementamos las ventas

Este proyecto fue desarrollado para una Agencia de viajes online, líder en Europa, que quería aumentar la conversión de visitas a ventas. El cliente conocía su tasa de conversión, e intuía que podía haber un aumento significativo de la conversión con una estrategia de contacto adecuada a la BBDD de usuarios disponibles, y por eso contacto con nuestro equipo. Si quieres conocer más detalles sobre cómo realizamos un análisis predictivo para incrementar sus ventas, y aumentamos su conversión más de un 25% ¡sique leyendo!

Cómo incrementamos las ventas de nuestro cliente mediante el análisis predictivo

Creando un algoritmo propio

Nuestro equipo planteó la necesidad de predecir qué usuarios tenían más alta probabilidad de comprar, y actuar sobre ellos. Para ello creó un modelo predictivo que predecía la probabilidad de compra en el próximo mes de cada uno de sus 2 M de clientes. Este modelo se entrenó con el histórico de datos de interacciones de los clientes que habían realizado con el site durante los 2 últimos años.

Una vez entrenado y obteniendo buenos resultados en los tests, el modelo se aplicó a toda la base de clientes de la compañía, obteniendo un listado mensual que seleccionaba aquellos clientes con más probabilidad de compra.

Finalmente, se testearon distintas metodologías de targeting multi touchpoint, escogiendo aquella secuencia de puntos de contacto con el cliente que incrementaba de forma más efectiva el cierre de una venta.

Fases del proyecto

Para el correcto desarrollo del proyecto se siguió la siguiente secuencia de ejecución:

1. Exploración de los datos

      • Se obtuvieron todos los datos disponibles de los usuarios, y se procedió a su limpieza y preparación montando un ETL para su posterior procesado.

2. Definición e implementación de los modelos predictivos

      • Featuring Engineering: Se seleccionaron las variables que entrarían en el modelo, y se crearon aquellas variables derivadas que aportaban valor añadido a la predicción (por ejemplo, a partir de las fechas de compra, se creó la variable de “Frecuencia de compra”)
      • Comparativa algoritmos de modelos predictivos en Inteligencia Artificial: Se implementaron, testearon y compararon dos modelos muy efectivos de de modelización predictiva: Redes Neuronales mediante Tensorflow vs XGBoost. Una vez comparados, se escogió XGBoost ya que dio mejores resultados de Accuracy en los tests.
      • Fine-tuning: Una vez escogido el modelo, se iteró sobre los resultados, retocando los parámetros y los hiper parámetros del modelo para mejorarlo cada vez más y seleccionar finalmente la mejor opción.
      • Aplicación del modelo entrenado a toda la base de clientes y automatización: Se creó un framework para que el algoritmo se ejecutara de forma periódica sobre toda la base de clientes y con todos los datos históricos disponibles, obteniendo de forma mensual listados de los usuarios con mayor probabilidad de compra.

3. Definición de la estrategia de targeting:

      • Definición e implementación de A/B testing para campañas de email: Para ver de qué forma se podía cerrar mejor una posible compra sobre aquellos usuarios con alta probabilidad, se crearon dos tests: uno en el cual a los clientes con alta probabilidad de compra se le enviaban el número habitual de emails (2 por semana) y otro en el que se incrementaba esta presión comercial, con 4 emails por semana
      • Se evaluó la performance de los A/B tests mediante diversos KPIs y se escogió la metodología de 4 envíos por semana a la vista de los resultados que se muestran a continuación.

Resultados:

Los datos hablan por sí solos, con la aplicación de la metodología Kraz se consiguieron mejorar los 4 KPIs que se midieron: Open rate, Click Through Rate, Conversion Rate y Número de Ventas.

Performance Partition

Concretamente se obtuvo: + 25% de la tasa de conversión +4% de ventas en un mes

Es decir:

  • La aplicación del modelo derivó en un incremento del 25% de la tasa de conversión de los emails enviados a aquellos clientes detectados como “calientes” vs la población normal: del 2.4% al 3.2%
  • Este incremento de la conversión implicó un crecimiento del 4% de número de ventas respecto al mes anterior.

Conclusiones

La correcta aplicación de herramientas de análisis predictivo en toda la base de clientes nos permitió detectar, a nivel cliente, comportamientos específicos: clientes con alta probabilidad de comprar durante el próximo mes. Las acciones sobre esa información – envío de emails con contenido específico – mejoraron de forma sustancial el resultado de ventas.

Por lo tanto, la correcta definición del perímetro del problema a resolver (número de ventas), junto con la aplicación de las técnicas adecuadas a ese problema (modelos), más una clara visión hacia la accionabilidad de los resultados (emails sobre clientes), permitieron resolver con total satisfacción las necesidades del cliente.

Si crees que este tipo de proyecto de Data Solutions puede ayudar a tu empresa ¡no dudes en contactar con nuestro equipo!

Si te gusta lo que estás leyendo…

Nuestros últimos posts

No te pierdas ninguna de nuestras novedades del blog y suscríbete a nuestra newsletter