Los artículos anteriores de esta serie cubrieron cuatro formas de mirar el valor del cliente: la fórmula clásica de retención, la segmentación RFM, y los modelos probabilísticos BG/NBD y BG/BB. Cada uno responde a una pregunta distinta y descansa en supuestos distintos. El Dashboard del laboratorio los ejecuta todos sobre el mismo conjunto de datos, lo que permite algo que ningún aplicación individual puede mostrar: ver cómo discrepan entre sí cuando se les pide responder la misma pregunta.
Spoiler: discrepan mucho. Y entender por qué discrepan es más instructivo que cualquiera de los modelos por separado.
Puedes reproducir esta comparativa en la herramienta Dashboard del laboratorio, cargando cualquier CSV de transacciones o usando el dataset CDNOW de ejemplo.
Sobre el mismo dataset, en el ejemplo, 6.919 filas de transacciones correspondientes a 2.357 clientes únicos, el Dashboard ejecuta hasta cuatro modelos:
Si tus datos son de campañas periódicas en lugar de compras continuas, el propio Dashboard te redirige a la herramienta BG/BB dedicada, porque ese modelo no encaja en esta comparación: opera sobre una estructura de tiempo fundamentalmente distinta, como vimos en el artículo anterior.
Antes de mirar los resultados conviene entender qué cambia entre estos dos modelos, porque son los más sofisticados de los cuatro y el Dashboard es la primera vez en la serie que aparecen lado a lado.
BG/NBD asume que el cliente puede abandonar únicamente justo después de una compra. Es un supuesto conveniente para las matemáticas del modelo, pero no siempre realista: un cliente puede simplemente dejar de comprar sin que haya una “compra de despedida” que dispare el abandono.
Pareto/NBD relaja ese supuesto: el abandono puede ocurrir en cualquier momento, no solo tras una compra. Esto lo hace más realista pero también computacionalmente más caro, de ahí que tarde 40-60 segundos frente a los 15-20 de BG/NBD en un entrenamiento típico, y la estimación de parámetros es más compleja.
En la práctica, ambos modelos suelen dar resultados similares cuando los clientes compran con cierta frecuencia. Las diferencias se acentúan cuando hay muchos clientes de compra única o muy esporádica, que es exactamente lo que vamos a ver en esta comparativa.
Con fecha de corte 30/06/1998, horizonte de 52 semanas, margen bruto 100% y descuento anual 10%, el dataset CDNOW produce esta comparativa:
| Métrica | CLV Simple | RFM | BG/NBD + GG | Pareto/NBD + GG |
|---|---|---|---|---|
| CLV medio | 55 € | — | 29 € | 15 € |
| CLV total cartera | 128.699 € | — | 68.682 € | 35.714 € |
| CLV mediano | 55 € | — | 6 € | 8 € |
| CLV p90 | — | — | 68 € | 30 € |
| % clientes activos | 100,0% | 41,5% | 81,7% | 81,1% |
| Log-verosimilitud | — | — | -17.138,234 | -17.135,836 |
| Tiempo de cómputo | 1 ms | 8 ms | 1,1 s | 902 ms |
Lo primero que salta a la vista: el CLV medio varía por un factor de casi 4x entre el modelo más optimista (CLV Simple, 55 €) y el más conservador (Pareto/NBD, 15 €). Esto no es ruido ni un error de cálculo. Cada número es la respuesta correcta… a una pregunta distinta.
CLV Simple usa una tasa de retención del 49% derivada del dataset, con una advertencia explícita de la herramienta: “Período corto. Usando tasa de repetición como proxy de retención anual.”. Es decir, el modelo está aproximando la retención anual a partir de un período de observación corto, lo cual tiende a sobrestimar la persistencia real del comportamiento de compra.
Además, CLV Simple asume implícitamente que el 100% de los clientes están “activos”, no tiene ningún concepto de probabilidad de abandono individual. Por eso muestra “% clientes activos: 100,0%” con asterisco: no es que el modelo haya verificado que todos están activos, es que el modelo no contempla la posibilidad de que no lo estén.
Esta es la limitación que ya señalamos en el primer artículo de la serie: CLV Simple trata a toda la cartera con una única tasa de retención homogénea. El resultado es un número alto porque no descuenta por la heterogeneidad real de comportamiento dentro de la cartera.
El % de clientes activos es casi idéntico entre ambos modelos probabilísticos (81,7% vs 81,1%), y el ajuste estadístico también es muy similar (log-verosimilitud -17.138,234 vs -17.135,836, una diferencia mínima). Sin embargo, el CLV medio de Pareto/NBD es prácticamente la mitad del de BG/NBD (15 € vs 29 €), y las transacciones esperadas también: 1.031 vs 1.967 transacciones totales para el horizonte completo.
¿Cómo pueden tener ajuste similar pero proyecciones tan distintas? La respuesta está en el supuesto que relajamos antes. Pareto/NBD, al permitir el abandono en cualquier momento (no solo tras una compra), tiende a asignar mayor probabilidad de abandono temprano a los clientes de baja frecuencia, que en CDNOW son la mayoría: recuerda del artículo de BG/NBD que el 52% de la cartera tiene x=0, una sola compra observada. Para ese segmento mayoritario, el supuesto más flexible de Pareto/NBD penaliza más la proyección de transacciones futuras, lo que arrastra el CLV medio hacia abajo aunque el ajuste global del modelo sea comparable.
Esto tiene una implicación práctica importante: en carteras con mucha proporción de compradores únicos o esporádicos, la elección entre BG/NBD y Pareto/NBD puede cambiar sustancialmente la valoración de la cartera, incluso cuando ambos modelos “ajustan igual de bien” según la verosimilitud.
Fíjate en la fila del CLV mediano: 6 € para BG/NBD, 8 € para Pareto/NBD, invirtiendo el orden que vimos en el CLV medio (29 € vs 15 €).
Esto es la huella de una distribución de CLV muy asimétrica, como ya anticipamos en el artículo de BG/NBD cuando vimos que el cliente de mayor CLV alcanzaba 32 veces el promedio de cartera. Cuando la distribución tiene esa cola larga, la media se infla por unos pocos clientes de muy alto valor mientras que la mediana, el cliente “típico”, puede moverse en dirección distinta entre modelos, porque la cola larga afecta de forma diferente a cada modelo según cómo trate la heterogeneidad de frecuencia.
El CLV p90 (68 € para BG/NBD, 30 € para Pareto/NBD) confirma el patrón: ambos modelos concentran fuertemente el valor en el percentil superior, pero en proporciones distintas. Para decisiones de negocio, mirar solo el CLV medio sin la mediana y el p90 puede llevar a conclusiones equivocadas sobre cuántos clientes realmente sostienen el valor de la cartera.
El RFM aparece en la tabla con guiones en casi todas las filas de CLV, y eso es exactamente lo esperado: como vimos en su artículo dedicado, RFM no estima valor futuro, clasifica comportamiento pasado. El único número que aporta aquí es el 41,5% de “clientes activos”, en este contexto, probablemente la proporción de clientes en segmentos de comportamiento reciente positivo (Campeones, Leales, Potencialmente leales), una cifra bien distinta del 81,7% de BG/NBD porque mide algo conceptualmente diferente: actividad observada en el pasado reciente, no probabilidad de actividad futura.
Es un recordatorio útil de que no todos los enfoques de esta suite responden la misma pregunta, aunque todos aparezcan juntos en este dashboard.
La pregunta natural después de ver esta tabla es: ¿cuál de los cuatro números es el correcto?
La respuesta honesta es que depende de qué decisión vas a tomar con él:
La fila de tiempo de cómputo no es un detalle técnico menor: CLV Simple y RFM corren en milisegundos porque son cálculos cerrados; BG/NBD y Pareto/NBD requieren optimización numérica de la verosimilitud, de ahí el salto a más de un segundo. Si vas a ejecutar estos modelos repetidamente, por ejemplo, recalculando CLV cada semana sobre una cartera grande, esta diferencia de coste computacional es un factor real a la hora de decidir qué modelo automatizar en producción frente a cuál ejecutar puntualmente para un análisis profundo.
El Dashboard del laboratorio permite cargar cualquier CSV de transacciones y ejecutar los cuatro modelos con un solo conjunto de parámetros de configuración: fecha de corte, unidad de tiempo, horizonte, margen bruto y tasa de descuento. La tabla comparativa y la distribución de CLV por modelo se generan automáticamente.
Un ejercicio útil: ejecuta el Dashboard primero con tu fecha de corte natural, y después recórtala varios meses antes para usar el período restante como validación. Comparar cómo cambian las proyecciones de cada modelo según el período de entrenamiento es la forma más rigurosa de decidir en cuál confiar para tu negocio específico.
Este Dashboard ha presentado Pareto/NBD por primera vez en la serie, comparándolo de forma agregada con BG/NBD. De momento aparece aquí solo como una pieza más de la comparativa; su lógica interna, qué significa exactamente relajar el supuesto de “abandono solo tras compra” y cómo se interpretan sus parámetros, quedará para un artículo dedicado cuando la herramienta correspondiente esté incorporada al laboratorio.
Quien se acerca a la criptografía descubre enseguida a dos personajes que aparecen en casi…
En credit scoring el desbalanceo de clases es la norma, no la excepción. En una…
Cualquiera que programe usa la palabra bug a diario para referirse a un fallo en…
Los dos artículos anteriores de la serie cubrieron BG/NBD, el modelo para negocios donde el…
"Tu contraseña debe tener al menos 8 caracteres, una mayúscula, un número y un símbolo…
Cuando un analista de riesgo presenta un nuevo scorecard ante el comité de dirección, la…
This website uses cookies.