Cómo predecir el valor del ciclo de vida del cliente

«La predicción es muy difícil, sobre todo cuando se trata del futuro.»

Aunque el físico Niels Bohr, galardonado con un premio Nobel, probablemente tenía en mente fenómenos subatómicos de mecánica cuántica cuando realizó esta observación, lo mismo podría decirse de las conductas de los clientes. O eso pensaron Robert Blattberg, Profesor de Marketing en la Kellogg School of Management, y Edward Malthouse, Profesor Titular de Comunicaciones de Marketing Integradas en la Medill School of Journalism de Northwestern, en su artículo publicado en Journal of Interactive Marketing, en el que describen la sorprendente incertidumbre inherente a aplicar técnicas diferenciales de marketing a clientes basándose en su comportamiento previo.

En palabras de Blattberg: «Simplemente, la conducta es más más difícil de predecir».

Malthouse y Blattberg recibieron el premio al «Mejor artículo de 2005» por parte de la revista citada por sus esfuerzos para comprender mejor la conducta y el valor de los clientes a largo plazo..

«En última instancia, me interesa entender qué impulsa a la conducta del cliente a largo plazo», afirm&oacoacute; Blattberg, Profesor Emérito de la cátedra Polk Brothers de Comercio Minorista y Director del Centro para la Gestión del Comercio Minorista. « Estudio esto examinando las bases de datos de ventas, no en un laboratorio.»

A Malthouse y Blattberg les interesa especialmente la conducta que determina el valor de los clientes a largo plazo —es decir, los beneficios esperados para una empresa una vez considerados los costos de mantener una relación con un cliente durante un periodo de tiempo prolongado. Una relación valiosa, como cualquier otro activo de la empresa, merece una inversión y una gestión adecuadas. Muchas empresas desvían una cantidad considerable de atención y recursos a las técnicas de marketing que tratan de fomentar la fidelidad entre quienes perciben como sus mejores clientes.

«Las empresas se concentran en recompensar a los mejores clientes, porque creen que seguirán siendo los mejores clientes», afirmó Blattberg.

Si ha sido un magnífico cliente, es posible que las empresas de ventas por catálogo le envíen más correo directo (mailing), las compañías aéreas le den prioridad para ascender de categoría, las compañías de tarjetas de crédito no le apliquen recargos por pago atrasado y los hoteles dejen una botella de cabernet en su suite. Se trata de inversiones en marketing discrecionales, que se otorgan a clientes desprevenidos con el propósito de continuar una relación de negocio rentable entre los mejores clientes. En el centro de esta práctica se encuentra la creencia de que quien fue un buen cliente ayer seguirá siéndolo mañana.

Pero ¿es posible predecir qué clientes serán los mejores a largo plazo y hacerlo con la confianza suficiente para justificar tratarlos con guante blanco y a todo lujo? Malthouse y Blattberg se propusieron responder a estas preguntas. Según Blattberg: «Este artículo se concentró en estudiar si los mejores clientes pasados siguen siendo los mejores clientes futuros: ¿Serán los usuarios frecuentes de X en el pasado los usuarios frecuentes de X en el futuro?».

Los profesionales del marketing tratan de establecer con exactitud quiénes son los mejores clientes con ayuda de herramientas como el análisis de la recencia, la frecuencia y el valor monetario (RFM, por sus siglas en inglés). Esta técnica mide la inmediatez temporal con la que los clientes han efectuado compras (recencia, R por su sigla en inglés), su regularidad (frecuencia, F por su sigla en inglés) y la cantidad que han gastado (valor monetario, M por su sigla en inglés). Si es cierto que «el 80% de su negocio procede del 20% de sus clientes», entonces el análisis RFM puede ayudar a identificar quiénes han formado ese 20% de mejores clientes. Pero ¿acaso permite a las empresas predecir si ese 20% más lucrativo en el pasado le reportará una ventaja a largo plazo en el futuro?

«La bibliografía especializada sobre bases de datos de clientes centrada en el análisis RFM examina la propensión de los clientes a efectuar su compra más inmediata», comentó Blattberg. «Pero de ahí no se infiere automáticamente que vayan a continuar siendo los mejores clientes a largo plazo.»

A fin de medir y tratar de predecir el valor a largo plazo de los clientes, Malthouse y Blattberg evaluaron grandes cantidades de datos de ventas recopilados por diversas empresas durante muchos años. La magnitud de los datos era inmensa. Estudiaron más de 136.000 donantes de una organización sin fines de lucro durante un periodo de dos años, más de 71.000 clientes de un proveedor de servicios durante un espacio de cinco años, más de 41.000 clientes de una empresa de venta de artículos por catálogo durante un periodo de doce años y más de 24.000 pequeños negocios que formaban la clientela de una importante empresa durante un lapso de siete a&ntntilde;os. Las bases de datos describían una amplia gama de conductas de clientes, como la duración del contrato, el volumen de uso del servicio, y la fecha, el precio, el tipo y el valor de las compras. Sin embargo, ninguna de las empresas dio trato preferente alguno a sus clientes, por lo que Malthouse y Blattberg pudieron obtener una visión más objetiva de la conducta y el valor a largo plazo de los clientes.

Al dividir los datos artificialmente en periodos de tiempo correspondientes al pasado, presente y futuro, Malthouse y Blattberg pudieron crear modelos estadísticos y extraer conclusiones que les permitieron lograr su objetivo central: transformar los datos de compras pasadas en poderosos predictores de la conducta de compra y el valor a largo plazo de los clientes para una empresa.

Blattberg y Malthouse escogieron puntos temporales cerca del centro de cada conjunto de datos y designaron estos puntos como «presente». Por ejemplo, utilizando una base de datos que abarcaba doce años y llegaba hasta el 31 de julio de 1995, definieron el «presente» como el 1 de agosto de 1990.

Habiendo establecido un «presente» en cada conjunto de datos, Malthouse y Blattberg crearon un «pasado» (del 1 de agosto de 1983 al 31 de julio de 1990) y un «futuro» (del 2 de agosto de 1990 al 31 de julio de 1995).

Al reorganizar el tiempo de esta forma, Malthouse y Blattberg pudieron crear y probar modelos estadísticos y extrapolar datos a partir de ellos. Los datos pasados sobre la conducta y el valor de los clientes se procesaron mediante ecuaciones de regresión estadística. Estas ecuaciones calcularon qué combinaciones de características conductuales estaban más relacionadas con el valor. Por ejemplo, mediante una ecuación de regresión podría haber demostrado que para la organización sin fines de lucro, los valores pasados de los clientes se verían afectados de forma más directa por la cantidad de donaciones más recientes de los clientes y por el tiempo que éstos han sido miembros de la organización.

Una vez ajustados los modelos para relacionar la conducta pasada con el valor utilizando los «datos de entrenamiento», añadieron un conjunto distinto de clientes de la misma organización para poder procesar los datos de «validación». Los modelos se basaron en las relaciones obtenidas a partir de los datos de «entrenamiento» —conducta pasada y valor— para «predecir» el valor futuro a partir de la conducta futura solamente. Una vez que los modelos predijeron los valores futuros de los clientes, Malthouse y Blattberg compararon estos valores con los valores que los clientes alcanzaron realmente. Los clientes que componían el 20% más lucrativo se consideraron los «mejores».

Puesto que sabían que los modelos serían incapaces de clasificar a la perfección los clientes futuros en «mejores» y «no mejores» según su conducta pasada, Malthouse y Blattberg evaluaron la solidez de sus modelos midiendo los dos tipos de errores de clasificación posibles. Para un director de marketing, estos errores se traducen en gastar dinero en clientes en los que no debería y dejar de gastarlo en los que sí debería. Para un estadístico, estos errores se denominan falsos positivos y falsos negativos.

Un error falso positivo se produjo cuando el modelo predijo que un cliente sería un mejor cliente futuro y, en realidad, no lo fue. Por ejemplo, se predijo que un cliente que solía hacer negocios con una empresa con cierta asiduidad seguiría siendo un magnífico cliente en el futuro. Sin embargo, si el cliente perdiese su trabajo, no podría gastar tanto y, por lo tanto, dejaría de formar parte del grupo los mejores clientes.

Asimismo, se produjeron errores falsos negativos cuando no se predijo que los clientes podrían ser valiosos, aun cuando su conducta de compra futura demostró ser extremadamente beneficiosa para la empresa. Por ejemplo, se predijo que un cliente cuyo volumen de negocio había disminuído o era casi nulo debido a una falta de ingresos disponibles en el pasado, sería un cliente poco lucrativo en el futuro. Pero si éste encontraba un empleo nuevo más lucrativo, podría convertirse en una potencial mina de oro para la empresa.

Malthouse y Blattberg quedaron estupefactos por los patrones de falsos positivos y falsos negativos que observaron. Los patrones fueron extraordinariamente consistentes en todos los modelos y conjuntos de datos, ya fuera que predijese los valores de los clientes en un plazo de uno o seis años vista. Tan consistentes que Blattberg y Malthouse propusieron dos nuevas reglas empíricas.

A la primera regla la denominaron «regla 20-55»: del 20% de los clientes futuros que resulta más lucrativo en términos reales, aproximadamente el 55% será clasificado erróneamente como clientes poco o medianamente lucrativos y, por lo tanto, no recibirá trato especial. Este porcentaje de falsos negativos fue sorprendentemente consistente en los diferentes modelos y conjuntos de datos, con una variación de entre el 51% y el 55%.

A la segunda regla la denominaron «regla 80-15»: del 80% de los clientes futuros que resulta menos lucrativo en términos reales, aproximadamente el 15% será clasificado erróneamente y recibiráaacute; un trato especial. Este porcentaje de falsos positivos fue también extraordinariamente consistente en los diversos conjuntos de datos, con una variación aproximada de entre el 13% y el 15%.

Las repercusiones de este trabajo fueron evidentes. Aproximadamente, una cuarta parte de todos los clientes había sido clasificada erróneamente, bien como falsos positivos o negativos. Una empresa que tome decisiones de marketing equivocadas en una de cada cuatro ocasiones podría beneficiarse considerablemente si se replantea sus objetivos (targets) de una forma más sofisticada. Esto es si sobrevive lo suficiente para ello.

«Descubrimos que los mejores clientes continuaban siendo mejores clientes en un porcentaje mucho menor del esperado», afirmó Blattberg. «Si una proporción significativa de los mejores clientes futuros procede de los clientes pasados poco lucrativos, uno se arriesga a perderlos. En cuanto se diferencian los clientes, se enfrenta uno a este problema.»

Malthouse y Blattberg utilizaron estos resultados para concebir una fórmula bastante sencilla que podría ayudar a los directores a determinar cuándo resulta razonable dar un trato preferente a los clientes. La fórmula se basó en cuatro variables: el costo de dar un trato preferente; el costo de alienar a los clientes por no darles un trato preferente a pesar de merecerlo; el beneficio adicional obtenido de los clientes leales por darles un trato preferente; y el beneficio adicional obtenido de los clientes gratamente sorprendidos por recibir un trato preferente aunque, en realidad, no lo merecieran.

Para ilustrar estos hallazgos, Blattberg volvió su mirada al cielo (y a los mostradores de billetes de los aeropuertos y las terminales atestadas). «Por culpa de la estructura de recompensas, los clientes de bajo volumen/menos buenos pueden llegar a no convertirse nunca en buenos clientes», dijo. «Por ejemplo, yo viajo mucho en avión. Pero, dado que vivo en Chicago, no voy a volar con Delta muy a menudo. Por lo tanto, ellos nunca me considerarán un buen cliente y me darán asientos en el medio y tendré que hacer largas colas. Pero ¿qué pasa si me mudo a Atlanta? Voy a seguir volando mucho, por lo que podría convertirme en un magnífico cliente en potencia para Delta. No obstante, puesto que no me trataron muy bien durante todos esos años en Chicago, se arriesgan a perderme.»

«Ahora, pensemos en Southwest», continuó. «Adoptan un enfoque más igualitario: “No nos importa quién sea, usted obtiene su billete en función de cuándo lo paga.” ¿Qué es mejor? Puede que en Southwest no recibas un trato especial, pero aun así puede ser mejor que el trato desconsiderado que recibes en Delta.»

Malthouse y Blattberg propusieron una solución sencilla: asignar las recompensas basándose en la conducta futura real, en lugar de la conducta futura predicha. La distinción era sutil pero importante. En lugar de tratar de adivinar qué clientes serían valiosos, Malthouse y Blattberg animaron a las empresas a atraer con una zanahoria a todos sus clientes y recompensar a quienes se comportasen de forma deseada. Eso es lo que hacen las compañías aéreas con los programas de viajero frecuente: cualquier cliente que vuele un número de millas determinado obtiene la recompensa. También siguen este modelo las compañías de tarjetas de crédito y los supermercados que ofrecen la devolución del importe de la compra.

Este estudio es menos relevante para las empresas que no mantienen ni utilizan bases de datos de información de clientes; por ejemplo, vendedores de golosinas, papel higiénico y la mayoría de los demás productos de consumo envasados. Asimismo, el estudio de estos tratos preferentes tampoco es aplicable a las relaciones empresa-cliente en las que las recompensas futuras se especifican claramente en el momento de la compra. Por ejemplo, las empresas de alquiler de autos pueden ofrecer una promoción «alquile por cuatro días y le regalamos el quinto», para influenciar a los clientes desde el principio mediante incentivos claramente definidos. Sin embargo, se pueden beneficiar en gran medida de esta investigación y de otros estudios futuros aquellas empresas que optan por «sorprender» a sus clientes esperando inspirarles fidelidad.

«Hay multitud de preguntas interesantes de cara al futuro», señaló Blattberg. «¿Podrían crearse sistemas de recompensas que aumenten las posibilidades de que los mejores clientes continúen siendo los mejores clientes? ¿Qué clase de estructura de recompensas sería ésa? ¿Hay segmentos de clientes que quedan latentes y vuelven a reactivarse o acaso se pierden para siempre?»

Si estuviese vivo Niels Bohr ¿se sentiría más atraído por las estrategias de marketing que por los orbitales de los electrones? Es difícil decirlo. Tan difícil, quizás, como tratar de sistematizar las anomalías aleatorias de los hábitos de consumo humanos en procesos empresariales predecibles mecánicamente.