Prueba Analytics

Erick Barrios
Ejercicio 1:
Los datos se componen de 17 variables:

Variable Tipo de dato

FECHA_TRANSACCION_2 Fecha YYY-MM-DD
MUNICIPIO_SV Discreto
ANTIGÜEDAD Continuo
IPC Continuo
REGION_SV Discreto
DEPARTAMENTO_SV Discreto
FLAG_B Nominal
TIPO_CLIENTE Nominal
FLAG_E Nominal
REITERATIVO_FIELD Nominal
CES Discreto
STG Discreto
ST Nominal
CA Discreto
RPC Nominal
PR_R Discreto
Tipo de comment Nominal

Si graficamos las variables discretas CES, STG, ST contra el promedio de PR_R, podemos encontrar
resultados interesantes:

Con estas visualizaciones, podemos empezar a obtener ideas de los datos: tanto el CES como el ST y el
STG tienen una correlación positiva con el promedio de PR_R, teniendo la mayor correlación STG (muy
cercana a 1)
A manera de resumen, tenemos este gráfico:

Donde el color del círculo representa la

correlación. Entre más azul, más cercana a 1;
entre más rojo, más cercano a -1.

De acá, podemos visualizar que PR_R tiene una

mayor correlación positiva con STG

Analizando el efecto de las variables categóricas en PR_R a través de pruebas de hipótesis, obtenemos
qué:

• Hay evidencia suficiente (estadísticamente significativa) para decir que la variable CA influye en
el valor de PR_R. En específico, cuando la variable CA toma el valor de “Sí”, el valor de PR_R
aumenta.
• También hay evidencia suficiente (estadísticamente significativa) para decir que la variable RPC
influye en el valor de PR. Cuando RPC toma el valor de “Sí”, el valor de PR_R aumenta.
Conclusiones ejercicio 1:
En cuanto a las variables CES, ST y STG la variable que más tiene incidencia en PR_R es STG

En cuanto a las demás variables (las nominales) las que más tienen incidencia en PR_R son CA y RPC, los
valores que puedan tomar CA y RPC pueden afectar directamente a PR_R

Ejercicio 2:
Para demostrar la rentabilidad de mejorar la experiencia del cliente, juntaría fuentes de datos que
incluyan los siguientes datos:

• Demográficos de los clientes (edad, sexo, lugar de residencia…)

• Consumo de los clientes (megas consumidos, mensajes enviados, uso de servicios, uso de
aplicaciones, etc.)
• Información momentos clave de contacto con el cliente (satisfacción con servicio al cliente o con
cualquier interacción directa con el cliente, NPS, Customer Effort Score, churn rate, conversion
rate de medios digitales)

Teniendo estos datos consolidados, podríamos hacer relaciones como:

• Ver si las personas que dijeron estar satisfechas con la atención dada regresaron a la sucursal,
volvieron a comprar el paquete, mejoraron sus servicios, renovaron o mejoraron su plan, etc.
Analizar todo lo que tenga que ver con retención del cliente.
• Identificar posibles causas de pérdida de clientes en un periodo de tiempo específico (churn rate
analysis). Es posible llegar a predecir este indicador, dando margen de acción para retener al
cliente.
• Identificar si las personas que son “Promotoras” consumen más los productos. Así mismo,
evaluar el posible impacto de fidelizar a la parte “Neutra” de los clientes.

Set de análisis propuestos:

• Test de grupos (AB testing) para evaluar posibles mejoras:

Este análisis consiste en seleccionar aleatoriamente dos grupos (A y B). A uno de ellos se les
aplicará un cambio en el producto y al otro no. Por ejemplo, supongamos que queremos
implementar un modelo de recomendación de servicios en las aplicaciones de la empresa.

El grupo A recibe el servicio con el modelo implementado.

El Grupo B no recibe el servicio con el modelo implementado.

 Si el grupo A, en efecto, tiene diferentes significativamente positivas en las métricas de
satisfacción y/o consumo, podríamos tener una primera idea de la efectividad de la mejora.

Es un primer indicio que el modelo de recomendación mejoraría la experiencia del usuario.

• Análisis de pérdida de clientes:

Para identificar los puntos donde los clientes deciden irse, podemos hacer análisis estadístico
(ML, regresiones, pruebas de hipótesis) para determinar qué momento de su journey con la
empresa fue el que más peso tuvo para tomar su decisión. Además, podemos adelantarnos a la
pérdida de un cliente cuando este llegue a un punto clave de su trayecto.