Esta es una constante preocupación para de las empresas que tienen unidades de inteligencia de negocios o que se dedican a la consultoría en este tema. Muchas consultoras exigen que quienes desarrollen modelos predictivos sean estadísticos  o matemáticos como una forma de garantizar la calidad de sus modelos. Mucho esfuerzo intelectual y de desarrollo de complejas herramientas matemáticas va dirigido a la construcción de modelos predictivos que cada vez consiguen menores errores en  las predicciones, parámetro que para muchos es sinónimo de éxito en un proyecto de Data Mining.

¿Mayor capacidad predictiva es siempre deseable para cumplir los objetivos comerciales?

Trabajando en gestión de fuga de clientes pude ver como sofisticados modelos predictivos, luego de bastante trabajo analítico, conseguían muy buenas predicciones, efectivamente cuando la empresa contactaba a un grupo de clientes seleccionados mediante esta herramienta, ellos manifestaban serias intenciones de renuncia, lo que hacía vislumbrar un exitoso futuro a esta iniciativa.

A los meses de funcionamiento el optimismo decayó, si bien el modelo funcionaba excelente,  la gestión de fuga estaba resultando infructuosa, los clientes con alta probabilidad de fuga resultaban muy difíciles de retener,  muchos de ellos molestos aprovechaban el contacto por parte de la empresa para gestionar su renuncia de inmediato, en última línea la gestión de retención estaba aumentando la fuga en lugar de reducirla, absurdo desde una perspectiva de negocios

¿Qué es lo que falló?

El esfuerzo por conseguir indicadores estadísticos de calidad puede desviar la atención del verdadero objetivo, que es la generación de valor para la empresa.

Para conseguir este objetivo se requerirá dedicar buena parte del tiempo de modelamiento a entender el contexto de negocio, un buen modelamiento predictivo en este caso, debiera permitirnos aumentar el valor de la cartera de clientes de la compañía,  por medio de la identificación de clientes con alta probabilidad de fuga, pero que tengan reales posibilidades de ser retenidos, haciéndoles una oferta que se ajuste a sus necesidades y que cuyo costo sea acorde al valor que ese cliente aporta a la compañía.

Obviamente, esto requiere un modelamiento más complejo desde una perspectiva de negocio, sin embargo, el tiempo disponible para modelamiento es un bien escaso, ya que el mercado está en constante cambio por lo que el riesgo de obsolescencia para los modelos es alto, por lo tanto, estamos frente a un evidente trade off entre el entendimiento del contexto de negocio y la capacidad predictiva, es fundamental balancear la utilización del tiempo ya que finalmente el mejor modelo será aquel que logre la mayor generación de valor para la empresa y muchas veces  modelos simples dirigido con un foco de negocios adecuado consiguen mejores resultados que sofisticadas herramientas sin el foco adecuado.