El sector de las telecomunicaciones tiene unas características que lo hacen especialmente propicio para la utilización de técnicas de machine learning, ya que casi todos los servicios que prestan a sus clientes están digitalizados y son, por tanto, una excelente fuente de datos. Dicho sector lleva bastante tiempo procesando de manera automática sus datos y, en la actualidad, aplica técnicas de machine learning en casi todo el ciclo de vida de sus clientes.
Clientes potenciales
Cualquier negocio necesita de la publicidad para captar nuevos clientes. Sin embargo, no es lo mismo lanzar un mensaje publicitario a una persona al azar de la población que a una persona que sabemos que está interesada en nuestro negocio. Esa es la base del marketing digital y las empresas de telecomunicaciones lo usan también.
La mayoría de los enfoques se basan en analizar la navegación en sus páginas de alta usando cookies, con el objetivo de construir modelos que identifiquen patrones de navegación más propensos a culminar en una venta. Estos modelos se usan luego para dar un score a cada cliente (cookie) que visita su sitio web. En función de este score las compañías pueden modificar el tipo de publicidad que sale en sus páginas, la disposición de ciertos elementos, etc.
Por otra parte, no todas las visitas terminan en venta: la gente entra, mira, se va, compara, vuelve, intenta decidirse… ¿Os habéis fijado que, a veces, después de visitar un sitio web, parece que su publicidad «os sigue» por otras páginas? No es casualidad. Esto se denomina «retargeting«, un proceso mediante el cual los sitios web con muchas visitas subastan un emplazamiento publicitario a otras compañías, que pujan por que su anuncio aparezca a una persona concreta. Las compañías pueden entonces usar el score de una cookie para decidir si pujan más o menos fuerte para que su anuncio salga.
Además, todo este proceso puede ser multicanal (web, venta telefónica, anuncios de televisión), por lo que también se utilizan modelos de atribución que permiten saber qué peso tienen esos canales / campañas sobre las ventas, ayudando así a optimizar los costes y mejorar el retorno por inversión.
Nuevos clientes
Cuando un cliente acaba de llegar a una compañía de telecomunicaciones es extraordinariamente importante que la impresión causada sea buena. Durante los primeros días el cliente comprueba si de verdad los servicios que le presta la compañía son buenos, si su proceso de «on-boarding» facilita su adaptación, si su servicio de atención al cliente puede resolver los problemas… Una mala experiencia en este periodo puede hacer que el cliente dé marcha atrás y vuelva con su antigua compañía o busque otra nueva.
Estos clientes «recién llegados» tienen un riesgo de fuga mayor que el del resto de la cartera y no hay mucho histórico de datos para dicho cliente por ser nuevo, lo que complica bastante las cosas en lo que a modelos de machine learning se refiere. Por ello se suelen utilizar modelos (de churn, incidencias técnicas, satisfacción, etc.) específicos para este segmento de la cartera, separados del resto de clientes.
Clientes consolidados
Las compañías intentan maximizar sus beneficios a la vez que procuran dar a sus clientes el mejor servicio posible. Para ello suelen centrarse en varios pilares:
- Mejora de la experiencia del cliente. Basándose en el histórico de uso del móvil, la fibra, servicios adicionales contratados, etc., se pueden usar sistemas de recomendación que permitan sugerir al cliente productos o servicios que se adapten a sus necesidades. Por ejemplo, pueden recomendar un nuevo móvil basándose en el tipo de móvil que ya tiene el cliente, su antigüedad, las ofertas que haya disponibles, la navegación que haya hecho por la tienda de la compañía… U ofrecerle tarifas mejor ajustadas a su perfil de consumo en función de si gasta todos sus datos disponibles, si llama mucho, etc. (up y cross-selling).
- Mejora de la calidad del servicio. Todos damos por sentado que los servicios de una compañía de telecomunicaciones simplemente «funcionan»: enciendo el router y funciona internet, voy por la calle y puedo llamar o navegar con mi móvil… Sin embargo, el día en que no lo hacen, nos afecta gravemente y nos ponemos en contacto con ellos inmediatamente para notificar la incidencia. Las compañías ponen mucho esfuerzo en intentar resolver las incidencias en el menor tiempo posible, porque cuanto más tiempo pase, mayor es la probabilidad de que el cliente se vaya. Una de las mejores maneras de conseguirlo es adelantarse a la propia incidencia. Se suelen utilizar modelos de predicción de fallos para tratar de anticipar un problema técnico antes incluso de que el cliente sea consciente de ello. Por ejemplo, un cable de fibra que registra una latencia significativamente mayor de lo normal puede que a nosotros simplemente nos parezca que «va algo lento», pero puede ser una alerta de que hay un problema en la línea. La compañía puede enviar un técnico a revisar la instalación exterior y en muchos casos corregir el fallo antes siquiera de que el cliente sea consciente de que hay un problema. También se usan modelos de optimización para mejorar la colocación de antenas repetidoras, sistemas para emparejar a clientes con un agente que los atienda de manera que aumenten las probabilidades de que se resuelva la consulta de forma satisfactoria, etc.
- Prevención del churn. Muchas compañías, no solo las telcos, suelen dedicar bastante esfuerzo a tratar de detectar clientes que están descontentos antes de que se vayan. De esta manera pueden intentar hacerles alguna oferta de retención que evite su fuga. Aquí los modelos de predicción de churn y de accionabilidad son de gran ayuda. Hay que destacar que no es lo mismo detectar quién se quiere ir (churn) que evitar que se vaya (accionabilidad). No sirve de nada ofrecerle un descuento en el móvil a un cliente que no tiene internet en casa porque no le funciona el router (si queréis saber más sobre churn vs. accionabilidad, podéis leer este artículo donde hablamos de ello con más detalle).
Ex-clientes
Finalmente, a veces es inevitable que un cliente se vaya.
Las compañías pueden intentar aprender de ello y evitar, en la medida de lo posible, que vuelva a suceder. Aquí también se pueden utilizar modelos de procesamiento de lenguaje natural que analicen las transcripciones de las llamadas al servicio de atención al cliente en busca de patrones que expliquen su marcha. Por otro lado, los clientes que se van, así como su comportamiento en los días/meses anteriores a su salida, se usan para construir la «target» con la que se entrenan los modelos de predicción de churn. Estos clientes que se van serán los ejemplos de los que los modelos deben aprender (e intentar predecir).
Ciclo completo
Además de todo lo anterior, hay técnicas que se pueden aplicar de forma transversal, como el uso de data-lakes que permitan un acceso completo a toda la información sin crear silos de conocimiento, la segmentación de clientes para comprender mejor sus preferencias y su ciclo de vida (por ejemplo, separando a los clientes recién llegados del resto), o la utilización de grupos de control a la hora de determinar si una determinada actuación realmente es efectiva (por ejemplo, de cara a captar clientes con una determinada publicidad, o para evitar que se vayan con una cierta campaña de retención).
