Un modelo predictivo es un tipo de modelo estadístico que, aplicado a la realidad empresarial, nos permite inferir la probabilidad de que ocurran determinados sucesos antes de su consecución. Actualmente, las aplicaciones que más se demandan para este tipo de modelos son: las que pueden predecir qué clientes tienen más probabilidad de abandonar una compañía o de cometer un fraude, cuantificar la satisfacción de los clientes, identificar oportunidades comerciales según las tendencias del mercado o distinguir perfiles de consumidores en base a patrones de comportamiento.

Lo que consiguen los modelos predictivos es alcanzar una visión previamente inaccesible y disponer de información de valor, que nos ayude a definir acciones de manera proactiva o reactiva, anticipándonos a determinados acontecimientos y corrigiendo situaciones o comportamientos indeseados. Por ejemplo, con un modelo predictivo real se pueden encontrar casi diez veces más clientes con riesgo de fuga, gracias a la información desestructurada obtenida a partir de llamadas telefónicas.

En los modelos predictivos se emplea una metodología que distingue una serie de acciones preliminares a llevar a cabo, antes de entrar a desarrollar el modelo en una aseguradora y que permiten, a partir de un diagnóstico inicial, la identificación de aspectos críticos y patrones diferenciales para la posterior categorización de la información con herramientas de Analytics.

Una vez finalizada esta primera fase, se procede a elaborar el modelo predictivo en sí, empleando como base de entrenamiento los datos históricos que constituyen la información de interés y en los que se conoce la existencia de un determinado hecho.  En la predicción de fuga de clientes, la base de entrenamiento para el modelo en una compañía de seguros, estaría compuesta por un listado de todas las llamadas telefónicas con clientes que se hayan realizado en un periodo de tiempo determinado, y el registro de las bajas asociadas a dichas llamadas. A continuación, utilizando Machine Learning, se identifican patrones e interacciones en aquellas llamadas que tuvieran asociadas una baja de un cliente.

El siguiente paso consiste en realizar una predicción fuera de muestra. Para ello, se extrapola la función calculada en la base de entrenamiento sobre el resto de los datos, para los cuales no se dispone de ningún tipo de información relacionada con el hecho foco del análisis. De esta forma, lo que obtendríamos sería un scoring con el que medir el riesgo de fuga de los clientes, en aquellas llamadas en las que no conocemos la existencia de bajas.

Esto no solo permite distribuir inteligencia de cara a la toma de decisiones, tanto a nivel estratégico como operativo, sino que, además, contribuye a difundir y consolidar la cultura de datos en una compañía, ya que cualquiera que forme parte de ella ahora puede entender y ver directamente la utilidad de la información y la analítica avanzada.

José Luis Cortina, presidente de Neovantas