La segmentación basada en CLV utilizando Data Mining

La segmentación de clientes es cada vez más necesaria cuando los intereses de los clientes son vitales para la supervivencia de las empresas. Este proyecto, realizado en una empresa del sector de la alimentación, utiliza técnicas de data mining para clasificar a los clientes según su valor de ciclo de vida (CLV). Cada segmento de clientes se describe mediante un conjunto de reglas basadas en los patrones de compra de los clientes. Los segmentos de clientes obtenidos se utilizarán para potenciar las estrategias de marketing, ya que estos segmentos permiten diferenciar a los clientes.

La empresa

La empresa en la que se ejecutó el proyecto se considera una empresa sostenible y competitiva, que invierte en la calidad y la innovación para construir una dulcería única. A lo largo de los años, la empresa se ha preocupado por las necesidades de los clientes. Por ello, invertir en los clientes es una estrategia a largo plazo, esencial para aumentar la cuota de mercado y destacar a nivel nacional e internacional.

Hay que señalar que los clientes de la empresa no corresponden al cliente final, sino a los mayoristas y minoristas, ya que se trata de una empresa B2B.

El desafío

La empresa objeto de estudio utiliza factores geográficos para categorizar el mercado, debido a las diferencias existentes entre los mercados de los distintos países. Segmentar a los clientes por zona geográfica es un enfoque de segmentación tradicional, que no se utiliza en la misma medida que antes, ya que muchos servicios se han convertido en electrónicos, lo que reduce las dificultades inherentes a la distancia. Además, la ubicación puede no representar un comportamiento de compra similar.

El objetivo del proyecto era crear segmentos de clientes basados en el valor de vida del cliente (CLV) para desarrollar enfoques de marketing diferenciados.

Los datos recopilados incluyen 28.259 transacciones de 296 clientes, a lo largo de un año.

El enfoque

El primer paso del proyecto fue organizar los datos en un conjunto de 296 filas, cada una de las cuales representaba a un cliente, y prepararlas para la fase de agrupación. Este conjunto de datos incluía 4 variables, a saber, las variables RFM – el intervalo de tiempo entre el momento del análisis y el de la compra más reciente (Recencia), el número de compras que el cliente realizó en un periodo considerado (Frecuencia) y el valor medio de las transacciones (Valor monetario)- y la ubicación geográfica del cliente.

En la fase de agrupación, se aplicó el modelo de segmentación RFM tras definir el número de clusters basándose en el método de la silueta media. El valor de la silueta (sil) es una medida de la similitud de un objeto con su cluster (cohesión) en comparación con otros clusteres (separación), indicando un gran valor que el objeto es bastante compatible con su cluster, a diferencia de los clusteres vecinos. El número de clusters, que representa el número de grupos de clientes que tienen un comportamiento similar de RFM, se fijó en 5 y cubre el 83,6% de la varianza total presente en el conjunto de datos.

Para una mejor comprensión de cada cluster, un árbol de decisión presenta las reglas que permiten distinguir los segmentos.

El valor de cada segmento para la empresa se evaluó mediante la utilización del RFM ponderado (WRFM). Para ello, fue necesario definir las ponderaciones de cada una de las variables del RFM. Esto se actuó utilizando el Proceso de Jerarquía Analítica (AHP). Para definir la importancia relativa de los criterios, se contó con la participación de los principales responsables de la empresa para comparar cada posible par de criterios. Tras el ejercicio de comparación, se evaluó la coherencia de los criterios emitidos y el CLV.

Hay que señalar que se ha cogido el complementario a uno de los valores de recencia estandarizados porque Cj pretende medir el valor del cliente, que es mayor cuando la recencia es menor.

El segmento número 5 tiene el valor CLV más alto. En este caso, la mayoría de sus clientes han comprado recientemente, con el mayor promedio de compra por transacción. Estos clientes muestran las características de un segmento muy valioso cuyas estrategias de segmentación deberían considerar estas especificaciones.

Beneficios y próximos pasos

Al analizar las características de los segmentos conseguidos, deducidas de los árboles de decisión, la empresa estaba muy segura de que la estrategia de marketing derivada de la segmentación aportaría resultados de crecimiento.

Con la información resultante de este estudio, la empresa puede definir una estrategia específica según las características del cluster. Para el segmento de menor valor, se podrían realizar campañas de marketing y descuentos para estimular la compra, dar a conocer los productos actuales (por ejemplo, facilitando muestras), promover la experimentación, desprenderse de los productos o desdibujar la estacionalidad del consumo. Para los grupos que actualmente tienen un mayor valor, se recomienda un tratamiento premium y una relación más estrecha con los clientes, para mantener el valor del cliente. Dado que la empresa se enfoca en la innovación y el consiguiente lanzamiento de nuevos productos, podría ser interesante involucrar a los clientes más valiosos en la ideación y/o garantizar la venta exclusiva para reforzar su carácter especial.

#industria de proceso #marketing y ventas