Tablas Scores

Anticiparse al comportamiento de sus clientes, en lugar de limitarse a reaccionar ante él, es un factor decisivo para maximizar el valor del ciclo de vida del cliente (Customer Lifetime Value). Con el complemento de puntuación, Actito pone a su disposición indicadores predictivos calculados mediante aprendizaje automático e integrados directamente en su modelo de datos.

Al calcular indicadores como el riesgo de abandono, la frecuencia de compra prevista o la facturación estimada, este complemento te permite anticipar las intenciones de tus perfiles, personalizar tus ofertas y activar recorridos automatizados de retención o VIP en el momento más oportuno.

Activación del complemento

El complemento de puntuación requiere una configuración en su licencia. Para activar esta funcionalidad, póngase en contacto con su gestor de cuenta.

Resumen

Cuando se activa el complemento en tu licencia, se genera automáticamente una nueva tabla específica denominada "Scores" y se vincula a tu tabla de perfiles.

Para garantizar la facilidad de uso y la integridad de los datos, la tabla Scores funciona según una estructura totalmente automatizada:

• Tabla nativa de solo lectura (Read-only): la tabla Scores no se puede modificar desde la interfaz y está reservada exclusivamente para alojar las puntuaciones calculadas por el sistema.
• Relación 1 a 1: cada perfil de tu tabla de perfiles está vinculado a una única fila de la tabla Puntuaciones, que recoge sus indicadores predictivos más recientes.
• Actualización diaria automatizada: en cuanto se active la recuperación de datos en tu licencia, la tabla se recalcula y se actualiza cada día con las últimas predicciones.
• No se requiere ninguna configuración técnica: no hay que diseñar, asignar ni entrenar ningún algoritmo. Tu única intervención consiste en seleccionar los atributos predictivos que deseas seguir de entre la lista de atributos disponibles.

nota

El motor predictivo analiza sus datos de forma continua. Se necesita un historial mínimo de 120 días de datos de compra e interacción para entrenar el algoritmo y generar puntuaciones fiables.

Atributos predictivos disponibles

En función de tus objetivos y tu estrategia de marketing, selecciona los indicadores que desees incluir en tu tabla Puntuaciones.

Cada indicador está disponible en dos formatos:

• Atributos en valor absoluto: proporcionan un valor bruto (importe monetario, número de pedidos, recuento de días o probabilidad). Úsalos para filtrar según umbrales concretos (por ejemplo: dirigirte a los perfiles cuyo valor histórico sea superior a 500 €).

• Atributos en porcentaje: clasifican cada perfil en una escala de 0 a 100 en relación con el conjunto de tu tabla de perfiles. Son ideales para dirigirse a un segmento relativo de su audiencia (por ejemplo: el 10 % de los perfiles con mayor valor histórico) sin definir una cantidad fija. Un valor de 90 indica que el perfil se encuentra entre el 10 % superior.

Interpretación de los porcentajes

En cuanto a los porcentajes, una puntuación alta siempre refleja un comportamiento positivo del cliente. Para las métricas en las que es preferible una cifra bruta baja (reciencia, intervalo entre dos compras, puntuación de inactividad, riesgo de pérdida de clientes), la escala se invierte automáticamente: una puntuación porcentual cercana a 100 siempre corresponderá al perfil más virtuoso o más comprometido.

Atributos en valor absoluto

• Probabilidad de recompra (Repurchase probability): estima la probabilidad (del 0 al 100 %) de que un perfil realice un nuevo pedido en el futuro. Es lo contrario de la tasa de abandono, pero esta última se puede calcular a partir de la probabilidad de recompra mediante la siguiente fórmula: CHurn = 100 - "probabilidad de recompra".

  • Este atributo es una predicción del modelo de IA basada en el número de pedidos (frecuencia), el número de días transcurridos desde el último pedido (reciencia), el número de días transcurridos desde el primer pedido (antigüedad), el "tiempo medio entre dos pedidos" propio de cada cliente y la tasa de abandono de la tienda (que es un valor interno predicho por el modelo, específico de cada tienda y que representa la capacidad de fidelizar a los clientes). Por ejemplo: si una clienta tiene una probabilidad de recompra del 75 %, su riesgo de baja es del 25 %.

• Riesgo de pérdida de clientes (Churn risk): lo contrario a la probabilidad de recompra, que indica el riesgo de pérdida o abandono del perfil.

• Valor histórico de los últimos 365 días (Historic value last 365 days): acumulado de la facturación generada por los pedidos del perfil durante los últimos 365 días.

• Valor histórico total (Historic value all time): acumulado total de la facturación generada por el perfil.

• Valor futuro previsto para los próximos 365 días (Predicted future value next 365 days): previsión de la facturación que generará el perfil durante los próximos 12 meses.

• Valor de vida útil del cliente previsto (Predicted Customer Lifetime Value - CLV): suma del valor histórico y del valor futuro previsto para los próximos 365 días.

• Número de pedidos previsto para los próximos 365 días (Predicted number of orders next 365 days): previsión establecida por el modelo de IA que indica el número de veces que un perfil realizará un pedido durante los próximos 365 días. Se calcula a partir de la frecuencia de compra del perfil y de la puntuación de actividad prevista.

• Días desde el primer pedido (Days since first order): número de días transcurridos desde la primera compra del perfil.

• Días desde el último pedido (= recencia) (Days since last order) : número de días transcurridos desde la última compra del perfil.

• Número de pedidos (= frecuencia) (Number of orders) : número total de pedidos realizados (las compras múltiples realizadas el mismo día se agrupan en un único pedido).

• Carrito medio (= valor monetario) (Average order value): valor medio del carrito (los artículos comprados el mismo día se agrupan en un único pedido), obtenido dividiendo el valor histórico total entre el número de pedidos.

• Plazo medio entre pedidos (Average days between orders) : número de días entre el primer y el último pedido, dividido por el número de compras menos uno. Por ejemplo: 3 pedidos en 100 días (primer pedido el día 0, último pedido el día 100) corresponden a un intervalo medio de 50 días entre dos pedidos.

• Puntuación de inactividad (Inactivity score): número de días transcurridos desde el último pedido dividido por el intervalo medio habitual de compra de ese perfil (se requieren al menos 2 pedidos). El día en que un perfil realiza un pedido, esta puntuación será 0. Mientras no haya realizado una nueva compra y no haya alcanzado su media de compra personal, la puntuación de inactividad se situará entre 0 y 100. Si el perfil supera su media de compra personal, esta cifra será superior a 100.µ Por ejemplo: si un perfil realiza un pedido cada 10 días de media, pero hoy hace ya 15 días que no ha realizado ninguno, la puntuación de inactividad será de 150.

Atributos porcentuales

Cada atributo porcentual corresponde a una clasificación del 0 al 100 del perfil en relación con el resto de la tabla de perfiles para el atributo absoluto correspondiente (donde 0 es el extremo inferior de la distribución y 100 es el extremo superior). La descripción de cada atributo te indica qué significa "más alto" (por lo que no es necesario recordar si una cifra bruta elevada es buena o mala para ese indicador). Los porcentajes relativos a la recencia, al tiempo transcurrido entre dos pedidos, a la inactividad y al riesgo de baja invierten su valor original, de modo que una cifra más alta siempre significa un mejor comportamiento del perfil.

• Probabilidad de recompra, porcentaje (Repurchase probability, percentile): clasifica los perfiles del 0 al 100 según su probabilidad de recomendar. Cuanto más alta sea la puntuación, más probable es que el perfil vuelva a realizar un pedido (100 = perfil más fiel, 0 = perfil menos comprometido).
• Valor histórico de los últimos 365 días, porcentaje (Historical value last 365 days, percentile): clasifica los perfiles del 0 al 100 según su gasto durante el último año. Una puntuación más alta significa que ese perfil ha gastado más que la mayoría de los demás (100 corresponde a la persona que más ha gastado en los últimos 365 días).
• Valor histórico total, porcentaje (Historical value all time, percentile): clasifica los perfiles del 0 al 100 según su volumen de negocio acumulado total (100 = el perfil con mayor gasto hasta la fecha).
• Valor futuro previsto para los próximos 365 días, percentil (Predicted future value next 365 days, percentile): clasifica los perfiles del 0 al 100 en función de la cantidad que el modelo de IA prevé que un perfil gastará durante el próximo año. Una puntuación alta indica que se espera que el perfil gaste más que la mayoría de los demás.- Valor de vida útil del cliente previsto, percentil (Predicted customer lifetime value, percentile): clasifica los perfiles de a 100 según su valor total estimado (gastos pasados + gastos previstos para el próximo año). Una puntuación alta indica que ese perfil es el más valioso de tu base de datos.
• Número de pedidos previsto en los próximos 365 días, porcentaje (Predicted number of orders next 365 days, percentil): clasifica los perfiles del 0 al 100 según el número de pedidos que el modelo de IA prevé que realizará durante el próximo año. Una puntuación alta indica que el perfil debería realizar pedidos con más frecuencia que la mayoría de los demás.
• Días desde la primera compra (antigüedad del cliente), percentil (Days since first order (customer age), percentile)**: clasifica los perfiles del 0 al 100 según su fidelidad temporal. Una puntuación alta indica que el perfil lleva más tiempo contigo (100 corresponde a uno de tus perfiles más antiguos, 0 a un perfil totalmente nuevo).
• Días desde la última compra, porcentaje (Days since last order (recency), percentil): clasifica los perfiles del 0 al 100 según la fecha de su último pedido. Una puntuación más alta indica que el perfil ha realizado un pedido más recientemente. Este porcentaje invierte la métrica bruta, ya que un número menor de días desde el último pedido corresponde a un mejor resultado.
• Número de pedidos (frecuencia de compra), percentil (Number of orders (order frequency), percentile) : clasifica los perfiles del 0 al 100 según el número total de pedidos realizados. Una puntuación alta indica que el perfil ha realizado pedidos con más frecuencia que la mayoría de los demás.
• Valor medio de la cesta de la compra, percentil (Average order value, percentile): clasifica los perfiles del 0 al 100 según el importe medio de su cesta de la compra. Una puntuación alta indica que el perfil suele gastar más por pedido que la mayoría de los demás.
• Plazo medio entre pedidos, porcentaje (Average days between orders (purchase frequency), percentil): clasifica los perfiles del 0 al 100 según la frecuencia de sus compras. Una puntuación alta significa que el perfil compra con mayor frecuencia. Este porcentaje invierte la métrica bruta, ya que un intervalo más corto entre pedidos es un mejor resultado.
• Puntuación de inactividad (reciencia de la actividad), porcentaje (Inactivity score (activity recency), percentil): clasifica los perfiles del 0 al 100 según su nivel de actividad en relación con su propio ritmo de compra. Una puntuación más alta significa que el perfil se encuentra dentro de los límites de su ciclo de compra habitual, o incluso se adelanta a este. Este porcentaje invierte la métrica bruta, ya que una puntuación de inactividad más baja es un mejor resultado.
• Riesgo de abandono (retención), porcentaje (Churn risk (retention), percentil): clasifica los perfiles del 0 al 100 según su probabilidad de seguir siendo fieles. Una puntuación alta significa que el perfil tiene menos probabilidades de darse de baja. Este porcentaje invierte la medida bruta, ya que un menor riesgo de baja es el mejor resultado.

Historial mínimo de datos

El algoritmo requiere un mínimo de 120 días de historial de datos de compra para calibrar sus predicciones y calcular puntuaciones coherentes. En el caso de contactos recientes o inactivos que no dispongan de un volumen suficiente, se aplicarán indicadores por defecto hasta que se acumulen los datos de interacción adecuados.

Incorpora las puntuaciones a tu estrategia de marketing

Aprovecha tus puntuaciones predictivas diarias en tus segmentaciones y escenarios:

• Asegura tus ingresos VIP: combina un alto valor de vida del cliente (Predicted CLV) con un riesgo de pérdida de clientes en aumento (Churn risk) para poner en marcha una acción de fidelización antes de perder el contacto.
• Reactivación en el momento óptimo: dirígete a los perfiles cuya puntuación de inactividad (Inactivity score) supere 100 para contactar con ellos en el momento exacto en que se desvíen de su frecuencia de compra habitual.
• Preservar sus márgenes comerciales: excluya de las campañas promocionales genéricas a los perfiles que presenten una alta probabilidad de recompra y que ya sean propensos a comprar de forma espontánea.