Accueil > Articulos en castellano > 11 puntos para hacer un buen score

11 puntos para hacer un buen score

écrit par René Lefebure

23 nov

Traducion de Yolanda Albendea Lopez

La creación de un score puede parecer <falsamente> más simple que la creación de una segmentación

 

 

 

Sin embargo, la práctica de la regresión logística (bajo el SAS u otras herramientas) me ha conducido a constatar que existen sutilezas en la construcción <de un buen score> que he tenido ganas de compartir con los <novatos> del dominio (los expertos no encontrarán ciertamente elementos importantes en este artículo).

 

 

 

Este artículo pretende ayudar a los <jóvenes data miners> que deben construir sus primeros scorings para evitarles varios desengaños técnicos, pero también comerciales, porque un buen score no se mide solo por R2 (índice de convergencia) sino por el entusiasmo de los usuarios que os hacen a continuación preguntas repetidas. Como me dijo una vez Amélie sobre un score <potencial>, el éxito del score han sido las felicitaciones de los tele consejeros, que atestaban resultados de venta en la lista.

 

 

 

En fin, este artículo no trata de scores de <riesgo> de crédito, que son especificos en sus construcciones y herramientas de controles (Bale II), mis consejos se aplican a los scores <de apetencias> a productos u ofertas en las Direcciones Marketing o Comerciales

 

 

 

Regla 1: Definir el contexto de utilización del score


Es importante comprender en qué contexto se inscribe la construcción del score. Se trata de inscribirse en la <continuidad>… donde existe un score actual y simplemente hay que hacer una puesta al día… donde el score actual está en una verdadera debilidad y una ruptura es necesaria.

 

En un contexto de continuidad, es primordial evaluar las variables existentes, evaluar los pesos de las modalidades, y probar que una nueva variable puede insertarse en la formula.
En una estrategia de <ruptura>, conviene no respetar demasiado las variables precedentes… efectivamente si las orientaciones de los 3 últimos años se han hecho con un score… es lógico que los suscriptores de los 3 últimos años estén conformes a los scores pasados. Es necesario ser capaz de <salir de la encrucijada> de las prácticas y los usos.

 

Regla 2 : Elegir su periodo de observación y sus individuos


La construcción de un score responde a una problemática de optimización comercial venidera. Es necesario por tanto concentrarse en el pasado reciente… y evitar hacer un estudio sobre un stock de poseedores basado en una historia muy larga. Así, conviene a menudo dar más importancia a los individuos recientes, contratados con técnicas y contextos comerciales próximos de aquel que prevalecerá en la acción futura. Es necesario también verificar si ciertos mecanismos comerciales o promocionales no han tenido una incidencia muy fuerte sobre el perfil de los clientes. Evidentemente hacer <promociones canons> se traduce en públicos objetivo específicos… si la nueva oferta no es tan <canon> entonces es necesario excluir a estos individuos de la matriz de aprendizaje. Si habéis dado Iphones gratuitos durante 3 meses por suscripciones de contratos, y mañana ni siquiera tenéis Iphone, ni el incentivo de la gratuidad… es probable que vuestro score funcione en <stat> y sea lamentable <en la verdadera vida>.

 

 

 

Regla 3: Construir una matriz de trabajo imaginativa

 

 

 

Puede ser uno de los trazos más distintivos de un score <fresco>. Mis clientes saben que mi capacidad de transformar un cuidado funcional en una <nueva pista> es importante. La intuición de los actores del marketing o del comercio es a menudo muy saludable. Ellos <sienten> que tal variable tiene una incidencia (sin razón o con razón), pero al menos tienen convicciones. Es importante introducir estas <intuiciones>, <percepción> en la gestión para verificar si se verifican estadísticamente, si son capaces de transformar una variable antigua. Un ejemplo reciente era la convicción de que una gama de productos influía positivamente en la fidelización. La introducción de esta variable en la construcción del score ha puesto en evidencia, que ella jugaba… a la inversa de la creencia. Inmediatamente la mecánica comercial (y las compras de los productos) ha reaccionado. El score no se aplicaba todavía, pero había efectos <administrativos>

 

 

 

Regla 4: Optimizar el recorte de las variables continuas

 

 

 

La construcción de un score por medio de una regresión logística necesita desacreditar la variable continua. La utilización de los cuartiles o decíles automáticos puede comprobarse como suficiente, pero no garantiza lo óptimo. Algunas herramientas permiten arrancar con recortes muy finos (por ejemplo los centíles) y reducir paso a paso el recorte para tener una desacreditación óptima. Así,, logro utilizar ejes de decisión (como Alice d’Isof) para soltar el recorte <óptimo> (aquel que crea la mayor varianza).

 

 

 

Regla 5: Hacer vivir y sobrevivir sus taxonomías

 


Las variables discretas presentan problemas específicos… como reducir las modalidades, sin perder el poder explicativo. Aquí todavía la utilización de los ejes de decisión (y de herramientas como las redes bayesianas) permite definir muy buenos reagrupamientos. Un estudio reciente sobre los modelos de vehículos (relativamente numerosos) ha permitido soltar reagrupamientos adaptados (un recorte Z4 es significante) y diferentes en función de ciertos datos (una Mini <puerta> de informaciones diferentes según el ciclo de vida del cliente). Es necesario a veces dejar vivir las modalidades a veces poco presentes, rechazadas por indicios de tipo Chi2, y saber <tomar el paso sobre el programa>. Habrá siempre poca gente que pague el ISF, pero no coger esta información bajo pretexto de que menos del 0.5% de la población presenta esta característica es un <sin sentido> para los scores de fidelidad. No <robusto> al sentido estadístico, pero tan significante para un comercial.

 

 

 

Regla 6 : Salir de las <tautologías> básicas

 


Atención a las variables que contribuyen demasiado en el modelo. Es importante no tener una sola variable (o modalidad) que explique más del 25% de la varianza del modelo. Desembocamos a veces en un modelo complejo… no para gran cosa, pero podemos también haber perdido la ocasión de hacer modelos específicos. Así, si el tipo de vehículo <nuevo o de segunda mano> pesa sobre la variable público objetivo… puede ser que sea más útil hacer dos modelos separados (uno de segunda mano y otro nuevo) con el fin de encontrar públicos objetivos de desarrollo en cantidad suficiente. Arrimarse a una variable hace a menudo <agotar> la capacidad de extensión del score. Un buen score debe tener <estómago> (al contrario del hombre). Una bonita curva de lift es una garantía de encontrar públicos objetivos potenciales (esto quiere decir no equipados).

 


Regla 7: Probar los modos de selección de las variables

 

Las herramientas de regresión logísticas permiten reaccionar sobre modos de selección (stepwise, backward, etc…). Un buen análisis probara los diferentes métodos para comprender mejor como <entran> las variables. Un análisis <paso a paso> permite comprender mejor como se constituye el modelo.

 

 

 

Regla 8 : Probar las variables y los pesos sobre varias generaciones

 

 

 

Cuando estéis contentos con vuestro primer modelo… os recomiendo de probarlo sobre otra población más reciente. Si habéis tardado 3 meses en hacer vuestro score… que da en términos de resultado sobre los 3 últimos meses de actividades… en resumen se ha revelado pertinente de predecir o se contenta solamente con modelizar el pasado. Saber explicar en un 90% que pasó el año pasado… no quiere nunca decir que podamos saber que pasara mañana. Podemos ser el <rey de la modelización> y estar totalmente <al lado> del futuro. Es diferente hacer la historia que la prospectiva. Los scorings comerciales se interesan a menudo por una calidad de predicción de business venidera.

 

 

 

Regla 9 : Saber tomar la libertad con los pesos

 


La determinación del peso de una modalidad se apoya en el pasado. Evidentemente si la empresa habia decidido conceder ofertas interesantes a <parejas jovenes>, es lógico que esta modalidad juegue positivamente en el score. Pero si ahora la empresa desea volver a posicionarse sobre <las familias con niños>, es necesario revelarse capaz de modificar las modalidades para ir en el sentido de la estrategia de la empresa. No existe nada peor que tener listas <scorés> sobre principios antiguos. Estamos preparados a no alcanzar nunca los objetivos de la empresa. Por esto, algunos scores concebidos hace más de 5 años (antes del verdadero despegue de Internet y de la movilidad) revelan de magnífica <trampa para moscas>, no podemos salir de su antiguo público objetivo.

 

 

 

Regla 10: Medir la actuación real

 

 

 

Antes de gritar victoria sobre un score, es juicioso verificar <en lo real> su capacidad de mejorar la actuación comercial. Los nuevos canales de comunicación como la Web se revelan medios simples y no costosos de probar la verdadera curva de lift (a poco gasto). Si lo <alto del score> va mejor… podremos verlo en las ventas reales. Poder decir que una ganancia de 10% del score se traduce por un crecimiento de tasa de conversión de 8% y una cesta media +23%… se revela más contundente que un bonito R2 teórico.

 

 

 

Regla 11: Saber no seguir las 10 reglas de arriba

 

Saber salir del <sendero batido> es importante para identificar las <nuevas oportunidades. Un score se basa en el pasado… por lo tanto es necesario desconfiar del efecto retrovisor y saber <salir> del camino trazado.

 

 

 

Gracias a Amélie, Kaoutar, Florence, Marie-Pierre, Stéphanie, Wendy y todos los data miners con quienes he trabajado por la fuente de inspiración de este artículo.

 

 

Pas encore de commentaire

Faire un commentaire