• No se han encontrado resultados

Modelos Scoring con un Enfoque de Estructuras de Covarianza Aplicados a la Mercadotecnia Directa

N/A
N/A
Protected

Academic year: 2020

Share "Modelos Scoring con un Enfoque de Estructuras de Covarianza Aplicados a la Mercadotecnia Directa"

Copied!
88
0
0

Texto completo

(1)INSTITUTO TECNOLÓGICO Y DE ESTUDIOS SUPERIORES DE MONTERREY Campus Ciudad de México. Escuela de Graduados en Ingeniería y Arquitectura Maestría en Ciencias con Especialidad en Ingeniería Industrial Tesis de Maestría. “Modelos Scoring con un Enfoque de Estructuras de Covarianza Aplicados a la Mercadotecnia Directa” Autor: Ing. Gibrán Sayeg Sánchez Asesora: Dra. Olga López Ríos México D.F., octubre de 2011.

(2) 2.

(3) 3. Contenido Prólogo ............................................................................................................................................ 7 Resumen Ejecutivo .......................................................................................................................... 8 Capítulo I. Introducción y Problema ............................................................................................. 10 1.1 Introducción ......................................................................................................................... 10 1.2 Fundamentos del problema .................................................................................................. 11 1.3 Objetivo ............................................................................................................................... 13 1.4 Alcance de la investigación ................................................................................................. 14 Capítulo II. Teoría y Antecedentes de Mercadotecnia .................................................................. 15 2.1 Introducción al capítulo ....................................................................................................... 15 2.2 Rol de la mercadotecnia ....................................................................................................... 15 2.3 Toma de decisiones mercadológicas .................................................................................... 17 2.4 Sustento de la toma de decisiones ........................................................................................ 18 2.5 Naturaleza de la información ............................................................................................... 20 2.6 CRM en la organización ...................................................................................................... 22 2.7 Limitaciones en la elaboración actual de estrategias ........................................................... 24 Capítulo III. Fundamentos de los Modelos Credit Scoring ........................................................... 25 3.1 Introducción al capítulo ....................................................................................................... 25 3.2 Decisiones crediticias y sus similitudes con la mercadotecnia ............................................ 25 3.3 Conceptos del credit scoring ................................................................................................ 26 3.4 Scoring de aprobación ......................................................................................................... 28 3.5 Scoring de comportamiento ................................................................................................. 28 3.6 Scoring de cobranza ............................................................................................................. 28 3.7 Descripción de los modelos de regresión lineal ................................................................... 29 3.8 Análisis matemático ............................................................................................................. 30 3.9 Limitaciones para su aplicación mercadológica .................................................................. 31.

(4) 4. Capítulo IV. Fundamentos de los Modelos de Estructuras de Covarianza ................................... 33 4.1 Introducción al capítulo ....................................................................................................... 33 4.2 Necesidad de técnicas avanzadas de análisis ....................................................................... 33 4.3 Origen de los modelos de estructuras de covarianza ........................................................... 34 4.4 Descripción de los modelos de estructuras de covarianza ................................................... 35 4.5 Análisis matemático ............................................................................................................. 38 4.6 Limitaciones para su utilización .......................................................................................... 40 Capítulo V. Propuesta de Metodología de Análisis ....................................................................... 41 5.1 Introducción al capítulo ....................................................................................................... 41 5.2 Necesidad de una nueva metodología .................................................................................. 41 5.3 Estandarización de conceptos .............................................................................................. 42 5.4 Descripción de la metodología propuesta ............................................................................ 43 Capítulo VI. Desarrollo del Modelo Propuesto ............................................................................. 46 6.1 Introducción al capítulo ....................................................................................................... 46 6.2 Estatutos y condiciones ........................................................................................................ 46 6.3 Paso I. Etapa de Selección ................................................................................................... 48 6.4 Paso II. Etapa de Modelación .............................................................................................. 49 6.5 Paso III. Etapa de Calificación ............................................................................................ 52 6.6 Paso IV. Etapa de Calibración ............................................................................................. 52 6.7 Implementación del modelo................................................................................................. 56 Capítulo VII. Aplicación Práctica del Modelo Propuesto ............................................................. 57 7.1 Introducción al capítulo ....................................................................................................... 57 7.2 Caso de estudio .................................................................................................................... 57 7.3 Etapa de selección ................................................................................................................ 58 7.4 Etapa de modelación ............................................................................................................ 58 7.5 Etapa de calificación ............................................................................................................ 62.

(5) 5. 7.6 Etapa de calibración ............................................................................................................. 63 7.6 Comparación del modelo con la regresión logística ............................................................ 65 Capítulo VIII. Conclusiones .......................................................................................................... 68 8.1 Interpretación del caso de estudio ........................................................................................ 68 8.2 Conclusiones de la tesis ....................................................................................................... 68 8.3 Limitaciones ......................................................................................................................... 71 8.4 Investigaciones posteriores .................................................................................................. 71 8.5 Palabras finales .................................................................................................................... 72 Anexos ........................................................................................................................................... 73 Anexo 1. Diccionario de variables ............................................................................................. 73 Anexo 2. Histogramas de variables ........................................................................................... 73 Anexo 3. Gráficos de frecuencia ................................................................................................ 76 Anexo 4. Análisis de varianza ................................................................................................... 78 Anexo 5. Análisis factorial ........................................................................................................ 79 Anexo 6. Sintaxis de Lisrel ........................................................................................................ 80 Anexo 7. Estadísticas descriptivas de calificaciones score ........................................................ 85 Anexo 8. Modelo de regresión logística .................................................................................... 85 Bibliografía .................................................................................................................................... 87.

(6) 6. Tabla de ilustraciones Ilustración 1. Gráfica del Costo de Adquisición de Clientes ......................................................... 12 Ilustración 2. Decisiones mercadológicas ..................................................................................... 16 Ilustración 3. Tipos de relaciones causales entre dos o más variables .......................................... 36 Ilustración 4. Path Diagram ........................................................................................................... 38 Ilustración 5. Metodología SEM ................................................................................................... 40 Ilustración 6. Riesgos financieros de la toma de decisiones.......................................................... 42 Ilustración 7. Matriz de confusión ................................................................................................. 52 Ilustración 8. Desplazamientos del Cut Off................................................................................... 53 Ilustración 9. Mapeo del modelo propuesto .................................................................................. 56 Ilustración 10. Path Diagram del caso de estudio .......................................................................... 61 Ilustración 11. Cambios en la matriz de confusión ....................................................................... 64 Ilustración 12. Cambios porcentuales en la matriz de confusión .................................................. 64 Ilustración 13. Matrices de confusión del caso de estudio ............................................................ 65.

(7) 7. Prólogo Es común que se relacione la Ingeniería Industrial y de Sistemas con piso de producción, sin embargo, la influencia de esta ingeniería ha abarcado no solamente a las industrias manufactureras, sino también al comercio y los servicios, de manera que el Ingeniero Industrial puede aplicar sus conocimientos a procesos susceptibles de optimización en diversas ramas de la industria. En mi experiencia profesional me he encontrado con distintas empresas dedicadas al servicio que invertían grandes cantidades de recursos en la realización de campañas de mercadotecnia directa, cuyo impacto era despreciable, Una respuesta no mayor al 2% era el logro obtenido tras largos esfuerzos y dinero invertido, por lo que me comencé a preguntar si sería posible encontrar un patrón o modelo matemático que permitiera elegir de forma eficaz solamente a aquellos clientes cuya propensión al consumo fuese mayor y optimizar los recursos utilizados en la estrategia. Lamentablemente, pronosticar con certeza este tipo de comportamientos es imposible, por lo que como todo proceso con riesgos asociados, al final del camino es necesario tomar una decisión, la cual tendrá consecuencias positivas o negativas con relación a las finanzas, la percepción del cliente o inclusive la competitividad de la organización. La única manera de reducir el riesgo en esta toma de decisiones es contar con información veraz y oportuna, por lo que si en las organizaciones mencionadas se contara con un modelo predictivo, la decisión de a quién someter a mercadeo y a quien no resultaría más sencilla y menos riesgosa. Por estas razones, además de tener un interés particular por la mercadotecnia y su relación con la ingeniería, he decidido abordar este tema de tesis, el cual espero sea de utilidad para lectores relacionados con la Ingeniería Industrial y de Sistemas así como con la Mercadotecnia..

(8) 8. Resumen Ejecutivo Las empresas que mantienen relaciones comerciales directamente con los consumidores finales suelen enfrentarse al problema de anunciar sus productos y servicios a costos competitivos que les permitan mantener su liquidez. Lamentablemente, los medios tradicionales de mercadeo tales como la televisión, la radio o los medios impresos generan costos excesivamente altos, que en casos de empresas pequeñas, pueden ser inclusive superiores al nivel de facturación que estas organizaciones podrían lograr. Como respuesta a este dilema surge la mercadotecnia directa, una técnica que permite dirigir la publicidad a clientes específicos seleccionados con base en sus características y propensión de compra. Los métodos para realizar esta selección pueden modelarse matemáticamente y existen empresas dedicadas al desarrollo exclusivo de este tipo de herramientas; lamentablemente el costo de implementación de sus modelos generados suele ser también demasiado elevado para los presupuestos asignados a la publicidad y mercadotecnia. Tomando como idea central el problema mencionado, esta tesis toma los aspectos más significativos de dos herramientas de análisis utilizadas en la industria crediticia y en las ciencias sociales, los Modelos Credit Scoring y los Modelos de Estructuras de Covarianza. El modelo resultante consta de 4 grandes etapas que se interrelacionan para calcular la propensión de compra de los clientes de una organización. . Etapa de selección: Se identifican los clientes a analizar con base en información histórica.. . Etapa de modelación: Se desarrolla el modelo matemático bajo la forma. {. ∑ ∑. Donde. observables.

(9) 9. . Etapa de calificación: Se sustituyen los valores reales de los clientes analizados en el modelo para obtener una Calificación Score.. . Etapa de calibración: Se calcula un nivel mínimo de aceptación denominado Cut Off y se analizan los resultados obtenidos mediante una matriz de confusión. Se realizan ajustes al modelo en caso de ser necesario. Para probar el modelo propuesto se analizó un caso de estudio tomado de la competencia. CoIL 2000, realizada en Estados Unidos, cuyo objetivo es identificar a aquellos clientes, tomados de una base de datos, propensos a la contratación de un seguro de casas rodantes. Posteriormente se compararon los resultados obtenidos con un análisis de Regresión Logística para verificar la eficiencia de la metodología. El modelo propuesto y su aplicación práctica llevan a la conclusión de que es factible utilizar información cualitativa para pronosticar la propensión de compra de un cliente utilizando las cuatro etapas descritas, sí y solo sí la interpretación de la información es correcta y el modelo cumple con los supuestos estadísticos de variabilidad de los datos. Finalmente, el campo de investigación se abre como un amplio panorama para continuar con el análisis y desarrollo de este tipo de modelos que coadyuven a la toma de decisiones no solo en las estrategias mercadológicas sino en otros ámbitos profesionales..

(10) 10. Capítulo I. Introducción y Problema 1.1 Introducción Al lanzar una campaña mercadológica, las empresas necesitan controlar sus riesgos financieros para incrementar sus posibilidades de éxito, ya que como mencionaba Peter Drucker, considerado el padre de la administración, es necesario dirigir los esfuerzos hacia los riesgos correctos, los cuales no son necesariamente los más pequeños.1 Controlar los riesgos implica necesariamente tomar decisiones, las cuales ayudarán a coordinar eficazmente las estrategias a seguir dentro de cada campaña. Alfred P. Sloan, presidente del consejo de GM, sugiere que toda toma de decisión debe sustentarse no sólo en la experiencia de los involucrados, sino en bases sólidas de hechos medibles y cuantificables.2 Lo anterior implica que son necesarios métodos duros que proporcionen información estadísticamente tratable para fundamentar la toma de decisiones. En la actualidad existe una gran variedad de metodologías útiles para tratar datos y proporcionar información. Su naturaleza depende de los problemas que intentan solucionar, por lo que es posible encontrar desde técnicas estadísticas sencillas hasta modelaciones matemáticas complejas. Sin embargo, la toma de decisiones enfocada a la creación de estrategias mercadológicas es un tema tradicionalmente abordado por técnicas cualitativas y metodologías basadas en la experiencia. Es posible adoptar una visión ingenieril3 al introducir mediciones cuantitativas y tratamientos estadísticos de la información, ya que la dupla ingeniería industrial – mercadotecnia puede permitir enfoques multidimensionales y estructurados que fundamenten estas decisiones. Esta tesis se enfocará en las estrategias mercadológicas para captación de clientes en las organizaciones Business to Consumer4, las cuales tienen un comportamiento singular ya que el mercado potencial contiene múltiples tipos de clientes, cada uno con distintas características. Este 1. Haas, Elizabeth. Enseñanzas de Peter Drucker. 2007, pp.212 Haas, Elizabeth. Enseñanzas de Peter Drucker. 2007, pp.237 3 Hicks, Philip. Ingeniería Industrial y Administración, una nueva perspectiva. 2002, pp. 361 4 Estrategia de mercado donde se interrelaciona directamente con el consumidor, en una cadena logística que consta de fabricantes, mayoristas, minoristas y consumidores. Barshel, Hauke. B2B versus B2C Marketing – Major differences along the supply chain of fast moving consumer goods. Grin, 2004. 2.

(11) 11. comportamiento hace difícil fundamentar la toma de decisiones mediante técnicas tradicionales y ocasiona riesgos financieros considerablemente elevados, los cuales serán explicados mediante los siguientes conceptos: . Costo de oportunidad5: Se da al limitar los recursos desinados a la promoción de un producto y no cubrir un mercado potencial nuevo. Este riesgo ocasiona pérdidas virtuales al no percibir los beneficios de un nicho sin explotar.. . Pérdida de capital: Se da al invertir en una estrategia mercadológica más recursos que los recuperados por consecuencia directa del esfuerzo de mercadeo. Este riesgo es causado por cubrir un nicho de mercado con poca propensión al consumo. Estadísticamente el riesgo de Costo de Oportunidad puede compararse con el error. estadístico alfa o Tipo I, suponer que el nicho de mercado no explotado no traería beneficios a la organización cuando en realidad si lo haría. Asimismo, la Pérdida de Capital puede equipararse al error beta o Tipo II, suponer que un nicho de mercado al cual se dirige la mercadotecnia generará utilidades cuando en realidad se convierte en un costo hundido.. 1.2 Fundamentos del problema Existen dos tipos de relaciones entre organizaciones y clientes, Business to Business (B2B) y Business to Consumer (B2C). Las organizaciones B2B son aquellas que mantienen relaciones comerciales con otras organizaciones, generalmente sus carteras de clientes son reducidas y con un gran volumen de venta. Las organizaciones B2C son aquellas que tratan directamente con el consumidor final, sus carteras comerciales suelen ser más amplias y por lo regular mantienen un pequeño volumen de venta por cliente. Las organizaciones asignan un presupuesto definido a la generación de estrategias mercadológicas, este oscila entre un 3% y 5% para empresas con relaciones B2B; y entre 5% y 10% para empresas con relaciones B2C.6 Esta diferencia de costos radica en la variabilidad inherente a su mercado meta. La relación Business to Consumer tiene la peculiaridad de poseer múltiples perfiles de mercado a los cuales es necesario tratar con estrategias específicas para poder captar a todos los distintos tipos de clientes.. 5 6. Viscencio, Héctor. Economía para la toma de decisiones. 2002, pp. 212 Abad, Raúl. Centro para empresas y profesionales. microsoft.com. Consultado el 02 de febrero de 2009..

(12) 12. La elección de la estrategia mercadológica a seguir siempre ocasiona costos, por lo que uno de los indicadores que se utiliza para medir su efectividad es el Costo de Adquisición de Clientes7 (CAC). Este indicador representa el costo total incurrido para que un prospecto o cliente pague por el producto o servicio ofrecido. Generalmente, las estrategias de publicidad masiva generan altos CAC que merman las utilidades netas de las organizaciones, mientras que la utilización de mercadotecnia directa8 genera menores costos. 9. CAC (US $). Costo de Adquisición de Clientes $1,600 $1,400 $1,200 $1,000 $800 $600 $400 $200 $-. CAC. Sistema de Afiliados. Publicidad en Línea. $9. $21. Correo Relaciones Electrónico Públicas $24. $82. Publicidad Impresa. Publicidad en Radio. $958. $1,457. Ilustración 1. Gráfica del Costo de Adquisición de Clientes. La mercadotecnia directa utiliza medios de comunicación más personales y selectivos que la mercadotecnia masiva. De esta manera, la elección del mercado objetivo se torna la actividad más importante para lograr el éxito, de forma que es necesario cuestionarse “¿qué cliente resulta rentable para la organización?”. Mediante herramientas estadísticas complejas que provean de información a los tomadores de decisiones mercadológicas es posible obtener una respuesta, de la cual dependerán los costos e ingresos de la campaña. Relacionando el CAC con los riesgos financieros antes mencionados, altos costos de oportunidad y pérdida de capital son inherentes a una toma de decisiones no fundamentada, con estrategias mercadológicas poco efectivas. Podría decirse que si estos riesgos son minimizados durante una campaña de mercadotecnia directa, el CAC asociado tenderá a ser menor debido a la optimización en la selección de prospectos. 7. Bolaños, Ricardo. Costo de adquisición de clientes. pyme.com.mx. Consultado el 02 de febrero de 2009. La mercadotecnia directa es un sistema interactivo de mercadeo que emplea medios publicitarios medibles y actividades controladas para acercarse a posibles consumidores previamente seleccionados. Figueroa, Romeo. Cómo hacer publicidad, un enfoque teórico práctico. Editorial Pearson, México, 1999. 9 Fiore y Collins, 2001. deltaasesores.com. Consultado el 02 de febrero de 2009. 8.

(13) 13. No obstante, las empresas B2C afrontan un grave problema al lidiar con la mercadotecnia directa, la complejidad y el elevado costo de las herramientas actualmente disponibles suelen disuadir a las organizaciones de su implementación. Estas herramientas, comúnmente llamadas Marketing Scoring, requieren de la asistencia de firmas consultoras y desarrolladoras de software, por lo que su costo asciende considerablemente dependiendo de la industria y organización en que se apliquen. Al prescindir de estas herramientas durante la toma de decisiones, las organizaciones suelen realizar análisis estadísticos básicos mediante herramientas sencillas, tales como hojas de cálculo, que no contemplan la complejidad de las variables necesarias para determinar el mercado objetivo. Al realizar este tipo de análisis, el ahorro en la implementación de herramientas avanzadas suele verse opacado con el elevado riesgo financiero que supone una sustentación deficiente en la toma de decisiones. El problema que esta tesis aborda es la actual limitación técnica y económica que las pequeñas empresas B2C enfrentan al implementar metodologías de discriminación de clientes potenciales durante la elaboración de estrategias de mercadotecnia directa. Estas limitaciones ocasionan que la elección de recursos no sea óptima y se incurra en un Costo de Adquisición de Clientes alto. A lo largo de este trabajo, se describirá como la Ingeniería Industrial puede aportar a la Mercadotecnia conceptos y teorías útiles para la optimización del riesgo de forma económica y práctica para los tomadores de decisiones.. 1.3 Objetivo Esta tesis tiene por objetivo desarrollar una metodología cuantitativa, que sustente de manera eficaz la toma de decisiones para elaborar estrategias de mercadotecnia directa, las cuales disminuyan los riesgos de pérdida de capital y costo de oportunidad asociados a la adquisición de clientes nuevos. Utilizar una metodología de esta naturaleza engloba distintas características del mercado y pone al alcance de pequeñas organizaciones la modelación de sistemas complejos que ayuden a fundamentar su toma de decisiones. Las estrategias generadas a partir de ésta, contribuirían a minimizar el CAC, razón por la cual son relevantes para su panorama financiero organizacional..

(14) 14. 1.4 Alcance de la investigación Las estrategias mercadológicas pueden desarrollarse para una gran cantidad de objetivos particulares y con base en diversas fuentes de información. Esta tesis abarcará las estrategias de mercadotecnia directa enfocadas en la generación de clientes nuevos con base en información a priori obtenida de bases de datos CRM10. El enfoque metodológico a utilizar será una adaptación de dos herramientas propias de la optimización en la toma de decisiones, los Modelos Credit Scoring y los Modelos de Estructuras de Covarianza. La definición y conceptualización de Modelos Credit Scoring se limitará al mercado crediticio. Asimismo se tratarán de manera genérica sin hacer alusión a ninguna organización o software específico, sólo se considerarán los supuestos estadísticos y las metodologías utilizadas. La investigación realizada considerará el análisis y la crítica de los supuestos estadísticos utilizados tradicionalmente y la propuesta de estándares aplicables al modelo sugerido de fundamentación para la toma de decisiones, así como las recomendaciones e indicadores de calibración. Durante la fase de pruebas, la investigación limitará la profundidad del análisis con base en las restricciones de los paquetes computacionales utilizados y la base de datos mostrada. Análisis adicionales con información de mercado real no se llevarán a cabo debido a las limitaciones existentes para la adquisición de datos. Asimismo, la metodología propuesta estará basada en la optimización de los riesgos de pérdida de capital y costo de oportunidad bajo la analogía de errores estadísticos tipo I y II. Para analizar su eficacia, el modelo será comparado contra un modelo de Regresión Logística, mostrando las similitudes y diferencias entre sus resultados. De acuerdo con lo estipulado anteriormente, el siguiente capítulo da inicio al análisis del problema que esta tesis aborda, enfocándose en el riesgo financiero inherente a la toma de decisiones para la elaboración de estrategias de mercadotecnia directa.. 10. Customer Relationship Management. Estrategia de negocio enfocada en el consumidor que permite la medición de comportamientos y seguimiento a cada cliente de la organización. Anton, Jon. Customer Relationship Management, Making hard decisions with soft numbers. Prenctice Hall, USA 1996..

(15) 15. Capítulo. II.. Teoría. y. Antecedentes. de. Mercadotecnia 2.1 Introducción al capítulo Para lograr una venta es necesario cautivar al cliente, por lo que la mercadotecnia ha desarrollado diversas maneras de lograrlo. Una de estas maneras es el mercadeo, ya sea directo o masivo, a empresas o a consumidores finales. A continuación se presentan algunas de las herramientas utilizadas comúnmente para desarrollar campañas de mercadotecnia directa de forma exitosa, sus ventajas, desventajas y características principales.. 2.2 Rol de la mercadotecnia Continuamente existen intercambios entre organizaciones y personas, ya que son éstos una forma eficiente en que el ser humano puede satisfacer sus necesidades. Sin embargo los intercambios no se dan de forma natural, sino que las personas que conforman el mercado deben ser influenciadas por las organizaciones para consumir sus productos. Es en esta serie de interacciones que la mercadotecnia toma un rol de suma importancia, ya que ayuda a dirigir los esfuerzos de la organización hacia los deseos de los clientes. Es posible definir a la mercadotecnia como un sistema de actividades de negocios que nos ayuda a cumplir las metas de una organización, considerando las siguientes tareas11: . Planificar productos que satisfagan las necesidades del mercado.. . Asignar precios acordes a los productos comercializados.. . Promover los productos en el mercado objetivo.. . Distribuir los productos a los consumidores. Si bien las actividades en que se enfoca la mercadotecnia son muy diversas, esta tesis se. dirige esencialmente a la promoción de productos, y de forma más específica, a la adquisición de clientes objetivo para el consumo de dichos productos. Esta actividad es sumamente importante debido a que en los últimos años los consumidores han demandado una orientación hacia el. 11. Stanton, William; Etzel, Michael y Walker, Bruce. Fundamentos de Marketing. Ed. McGraw Hill, 13ª edición. México, 2006..

(16) 16. mercado que satisfaga las necesidades de todos y cada uno de ellos, lo cual, debido a la competencia y la globalización, significa un número inimaginable de distintas tendencias, necesidades y gustos distintos para cada cliente potencial. La situación anterior plantea dos grandes interrogantes. La primera se relaciona con las actividades propias de la organización, “¿puede la organización impactar de manera eficiente la mente del consumidor?” La segunda, por otro lado, se relaciona directamente con las necesidades del mercado, “¿es el producto o servicio ofrecido lo que realmente necesito?”. Si las respuestas a ambas preguntas no son positivas es imposible concretar una venta, por lo que las organizaciones deben utilizar técnicas y herramientas que ayuden a influenciar la mente del cliente y crear necesidades que propicien el consumo.. Decisiones de la organización. Impacto financiero sobre la organización. Decisiones mercadológicas. Imacto mercadológico sobre el cliente. Decisiones del cliente. Ilustración 2. Decisiones mercadológicas. Dos de las técnicas más importantes para lograr esta influencia sobre el mercado son las llamadas mercadotecnia masiva y mercadotecnia directa. Estos términos son usualmente utilizados para la actividad propia de la promoción del producto o servicio, por lo que la decisión de compra del consumidor depende en gran medida de cómo la organización las pone en práctica. Como mercadotecnia masiva deben entenderse los medios tradicionales de promoción, tales como medios de comunicación y espectaculares; mientras que la mercadotecnia directa se explicará a mayor detalle en la siguiente sección, dado que en ella se basará esta tesis para el análisis de las decisiones de una organización..

(17) 17. 2.3 Toma de decisiones mercadológicas Es común encontrar que el estudio de las decisiones mercadológicas se centra en las decisiones efectuadas por el consumidor, ya que es él quien dirige al mercado. Pero es necesario recordar que para que el cliente efectúe esa decisión es fundamental que las organizaciones decidan a su vez la forma más eficiente de utilizar sus recursos para lograr influenciar al consumidor. Esta tesis se enfoca exclusivamente en las decisiones organizacionales referentes a la adquisición de clientes nuevos que conformen un mercado meta para un producto o servicio determinado, y de forma más específica, a las distintas necesidades que se busca satisfacer por medio de la llamada mercadotecnia directa. En el capítulo anterior se mencionaba que el Costo de Adquisición de Clientes (CAC)12 es un indicador útil para medir los recursos utilizados en convertir a un cliente potencial en un comprador real. Es precisamente la elección adecuada de las estrategias para adquirir nuevos clientes la que ayuda a reducir el CAC de las campañas mercadológicas, por lo que conocer el entorno y las características del mercado resulta necesario para realizar esta toma de decisiones. La mercadotecnia directa es una técnica de mercadeo que supone la interrelación directa entre el consumidor y la organización. Se caracteriza por mantener una comunicación personal con el cliente, el cual recibe información específica de acuerdo a sus necesidades por medio de correo electrónico, atención a domicilio o llamadas telefónicas, entre otros. Cuando para determinar la segmentación de clientes que se expondrán a este tipo de mercadotecnia se utiliza información histórica contenida en Bases de Datos, también se le puede llamar mercadotecnia de bases de datos.13 Este tipo de mercadeo es sensiblemente afectado por las decisiones mercadológicas, ya que al dirigirse exclusivamente a un segmento reducido es relativamente sencillo obtener un fracaso como resultado si la campaña se dirige al mercado erróneo. La implementación de la mercadotecnia directa requiere conocimientos previos del comportamiento y propensión de compra de los clientes para el desarrollo de estrategias, ya que de ello dependerá la eficacia de las acciones llevadas a cabo. La identificación de los clientes meta es, por tanto, resultado de la percepción organizacional del mercado potencial. No existen. 12. Ver página 12 Glosario de Mercadotecnia. www.asociacionmexicanademercadotecniadirecta.org.mx, consultado el 25 de febrero de 2009. 13.

(18) 18. reglas específicas para segmentar clientes, sin embargo existen herramientas que pueden ayudar a tomar estas decisiones. SAS, empresa dedicada al desarrollo de herramientas de análisis de datos masivos, muestra un caso ejemplo14 de la utilización de su herramienta para segmentar clientes, donde compara la mercadotecnia masiva con la mercadotecnia directa, siendo el resultado un incremento del ingreso neto en casi un 33% mediante la segunda estrategia. Columna1. Estrategia Tradicional. Descripción. Envío masivo de ofertas. Ofertas Respuestas Tasa de Respuesta Aceptaciones Tasa de aceptación Tasa deabandono Ingresos Brutos Costo de campaña Costo administrativo Ingresos Netos. 100,000 1,300 1.30% 220 17% 12% 1,000,000 450,000 100,000 450,000. Estrategia dirigida Envío selectivo al 30% de los potenciales clientes 30,000 350 1.17% 80 23% 8% 820,000 200,000 20,000 600,000. Tabla 1. Caso ejemplo de SAS. La mercadotecnia directa debe adecuarse a las características del mercado potencial para obtener beneficios, tanto comerciales como financieros, ya que la reducción del CAC depende de la correcta selección de clientes rentables para los fines de las campañas mercadológicas. 15 Debido a esta circunstancia se requiere un profundo conocimiento de las características principales del cliente que lo conviertan en un consumidor potencial.. 2.4 Sustento de la toma de decisiones Durante los últimos 10 años, firmas consultoras y desarrolladoras de software han tratado de satisfacer la necesidad de cuantificar la propensión de compra mediante herramientas cuantitativas que segmentan la cartera de clientes. La mayoría de estas herramientas son. 14. Productos y Soluciones SAS. Marketing y Riesgo: Credit Scoring. www.sas.com. Consultado el 12 de febrero de 2009. 15 Malthouse, Edward. Shrinkage Estimation and Direct Marketing Scoring. Journal of Interactive Marketing, 17 de Julio de 1998.

(19) 19. aplicables a organizaciones Business to Business (B2B), pero pueden adaptarse a organizaciones Business to Consumer (B2C).16 La principal herramienta de esta categoría es conocida como Lead Scoring, útil para organizaciones con una cartera de clientes limitada u homogénea en necesidades. Esta herramienta permite enfocar la fuerza de venta a los clientes con mayor propensión de compra17 al segmentar a los clientes en “Leads” o pasos, los cuales se caracterizan por establecer especificaciones de rangos de presupuesto, horizonte de toma de decisiones y nivel del tomador de decisiones.18 Sin embargo, al tratar con carteras de clientes más diversificadas, como las presentes en organizaciones B2C, Lead Scoring no logra entender la complejidad de características que presentan los consumidores. Es por esto que desde 1998 comienzan a adaptarse herramientas de utilización crediticia, llamadas Credit Scoring para analizar la calidad – riesgo de un cliente mediante la ponderación de características observables y la aplicación de modelos estadísticos, que predicen el riesgo financiero.19 Al darles un enfoque mercadológico, estos modelos cambian de nombre a Marketing Scoring y tratan de responder a la pregunta “¿Quién debe recibir cierta oferta?”, contraponiéndose al enfoque principal de la mercadotecnia masiva20, en la cual las campañas publicitarias buscan impactar una gran cantidad de personas sean o no clientes potenciales de la organización. En la práctica, estas herramientas reflejan una reducción en el número de contactos requeridos para realizar una venta hasta en un 90%, generando ventajas competitivas para la organización al aumentar su productividad.21 Del mismo modo, el cliente puede percibir una mejora en la calidad del servicio, fortaleciendo las relaciones comerciales y la lealtad hacia la organización.22 En la actualidad se ha encontrado que la lealtad y la relación existente entre consumidor y empresa es fundamental para construir lazos sólidos y relaciones rentables para 16. Productos y Soluciones SAS. Marketing y Riesgo: Credit Scoring. www.sas.com. Consultado el 12 de febrero de 2009. 17 Deal, Barney. Lead Scoring, Marketing’s answer to sales. www.searchcrm.com, 08 de agosto de 2007. 18 Azizuddin, Mohammed. Siebel Functional Guide. 19 Productos y Soluciones SAS. Marketing y Riesgo: Credit Scoring. www.sas.com. Consultado el 12 de febrero de 2009. 20 Malthouse, Edward. Shrinkage Estimation and Direct Marketing Scoring. Journal of Interactive Marketing, 17 de Julio de 1998 21 Deal, Barney. Lead Scoring, Marketing’s answer to sales. www.searchcrm.com, 08 de agosto de 2007 22 Malthouse, Edward. Shrinkage Estimation and Direct Marketing Scoring. Journal of Interactive Marketing, 17 de Julio de 1998.

(20) 20. ambas partes23, por lo que las tendencias buscan mantener relaciones estrechas con todos los clientes, comprendiendo sus motivadores de compra y las necesidades existentes en el mercado. No obstante, realizar una selección específica de clientes objetivos implica grandes costos de inversión, operación y mantenimiento24, lo que puede afectar el flujo financiero cuando las organizaciones no logran generar volúmenes de venta suficientes para absorber estos costos. Esta situación es común en empresas pequeñas, por lo que muchas veces es imposible aplicar herramientas avanzadas de análisis tales como el Marketing Scoring sin impactar negativamente las economía de estas organizaciones.. 2.5 Naturaleza de la información Para generar estrategias de mercadotecnia directa es importante analizar datos relevantes para sustentar la toma de decisiones, pero es también esencial que su origen garantice la calidad de la información obtenida. Los datos pueden provenir de diversas fuentes de información y presentar distintos comportamientos, por lo que es necesario distinguir qué tipos de datos son útiles para estudiar el comportamiento del mercado y estructurar un perfil de compra.25 Existen fuentes de información internas y externas, cada una de ellas con distintas implicaciones de costo y funcionalidad. La elección de la fuente adecuada para sustentar la toma de decisiones dependerá del tipo de análisis que se desea realizar, el presupuesto asignado y la disponibilidad. Las fuentes externas de información contemplan bases de datos de terceros, publicaciones gubernamentales e información teórica de libros y revistas, entre otros. 26 Generalmente este tipo de información tiene un costo relacionado a su especificidad, por lo que su enfoque puede no ser lo suficientemente dirigido para sustentar una toma de decisiones. Las fuentes internas de información son aquellas provenientes de la misma organización o de terceros contratados por ésta. Contempla estudios de mercado, bases de datos internas y. 23. Stanton, William; Etzel, Michael y Walker, Bruce. Fundamentos de Marketing. Ed. McGraw Hill, 13ª edición. México, 2006. 24 Productos y Soluciones SAS. Marketing y Riesgo: Credit Scoring. www.sas.com. Consultado el 12 de febrero de 2009. 25 Productos y Soluciones SAS. Marketing y Riesgo: Credit Scoring. www.sas.com. Consultado el 12 de febrero de 2009. 26 Peña, Gustavo. La inteligencia tecnoeconómica: una ventana hacia el futuro. Espacios Vol. 13 (2) 1992..

(21) 21. encuestas de servicio al cliente, entre otros.27 Sus principales ventajas son la facilidad para obtenerse y su disponibilidad. Sin embargo, su alcance puede ser limitado y significativo sólo para el entorno organizacional. Klaus Weber, profesor asociado de la Escuela de Administración en la Universidad de Kellogg, y Kathleen Sutcliffe, profesora de la Escuela de Administración de Negocios en la Universidad de Michigan, comentan que la exactitud de la información no es tan relevante como su interpretación y capacidad de análisis.28 Esto sugiere que la toma de decisiones puede enfocarse en datos obtenidos a un bajo costo, siempre y cuando permitan su estudio cuantitativo y cualitativo de manera eficaz. Para fines de la mercadotecnia directa, la información requerida debe abarcar las características generales del mercado objetivo, considerando todas las posibles combinaciones de datos existentes. Las fuentes de información que pueden contener estas variables son comúnmente internas, ya que recopilan su contenido directamente del entorno organizacional. Gracias a los avances tecnológicos de las últimas dos décadas, las organizaciones han podido utilizar Bases de Datos para almacenar toda la información relacionada no solamente con la empresa misma, sino también con el mercado, de manera que conforman una de las fuentes de información internas que pueden proporcionar información histórica del desempeño en una organización. Al almacenar el historial de cada uno de los clientes, permiten analizar diversas variables y características que influyen en su propensión de compra, algunas de ellas se muestran en la tabla a continuación. Características geográficas País Estado Ciudad Localidad Clima Altura. Características demográficas Edad Sexo Nacionalidad Estado civil Ocupación Número de familiares. Características socioeconómicas Nivel de estudios Ingreso Tipo de vivienda Autos propios Gasto promedio Nivel de crédito. Características de mercado Nivel de compra Frecuencia de compra Gasto promedio Estacionalidad Artículos adquiridos Antigüedad. Tabla 2. Variables de Bases de Datos. 27. Peña, Gustavo. La inteligencia tecnoeconómica: una ventana hacia el futuro. Espacios Vol. 13 (2) 1992. Weber, Klaus y Sutcliffe, Kathleen. El alto costo de la información exacta. Harvard Business Review, ISSN 07179952, Vol. 81, Nº. 5, 2003 , págs. 56-64 28.

(22) 22. Las variables mencionadas no son exhaustivas y no existe una metodología única para seleccionar las variables adecuadas, por el contrario, cada estrategia mercadológica requiere del análisis de distintas variables. Dentro de las organizaciones B2C, es común encontrar un departamento a cargo de la recolección de estos datos, comúnmente denominado CRM.. 2.6 CRM en la organización CRM29 son las siglas en inglés de Customer Relationship Management y se refieren a la estrategia de negocio que implica la gestión automatizada de todos los puntos de contacto con el cliente, permitiendo su captación, retención y desarrollo de lealtad efectivas.30 Esta estrategia permite dar seguimiento al cliente durante toda su vida en la organización, cuantificar su grado de lealtad o bien generar alertas previas a su salida de la cartera de clientes, de manera que el fortalecimiento de las relaciones existentes con cada uno de los clientes de la organización coadyuve a la retención y a incentivar compras futuras de productos actuales o nuevos.31 Si bien el desarrollo de una estrategia CRM en una organización depende de los objetivos que se pretenden lograr, existen 3 grandes denominaciones32 para los usos designados de la información obtenida: . CRM operacional: tiene como objetivo realizar de forma eficiente las operaciones de rutina relacionadas con el servicio al cliente, tales como calendarizar citas, dar seguimiento a compras realizadas y generar campañas de tele marketing.. . CRM analítico: tiene como objetivo evaluar toda la información disponible de cada cliente, tal como compras realizadas, historial de pago y opiniones previas. Con esta información es posible evaluar indicadores de servicio y financieros relacionados con cada uno de los clientes, así como generar patrones de lealtad y satisfacción.. . CRM de colaboración: tiene como objetivo facilitar la comunicación de dos vías entre el mercado y la organización mediante herramientas como chat rooms, correos electrónicos y redes sociales, entre otros.. 29. Generalmente se asocia erróneamente el concepto de CRM con el software que ayuda a gestionar las relaciones con el cliente. Burnett, Ken. Gestión de la relación con el cliente clave. Prenctice Hall. España, 2002. 30 García, Ignacio. CRM Gestión de la Relación con los Clientes. FC Editorial. Madrid, 2001. 31 Anton, Jon. Customer Relationship Management, Making hard decisions with soft numbers. Prenctice Hall, USA 1996. 32 Stanton, William; Etzel, Michael y Walker, Bruce. Fundamentos de Marketing. Ed. McGraw Hill, 13ª edición. México, 2006..

(23) 23. La elección del CRM a utilizar se realiza según el criterio de cada organización y generalmente se asigna a un departamento específico las actividades relacionadas con su funcionamiento. Este departamento gestiona toda la relación con la cartera de clientes y registra los datos más significativos de su actividad histórica para cumplir con los objetivos de la estrategia. A continuación se muestra una tabla ejemplo de informes posibles originados por el CRM de una organización de ventas por internet.33 Aplicación Fidelización del Cliente Rentabilidad del Cliente Análisis Click Stream. Servicio al Cliente. Gestión de Campañas de Mercadeo. Query Clientes que han comprado múltiples productos Clientes con mayor número de visitas Ventas on line por mes comparadas con las totales Información on line y off line relacionada del cliente Visitas recibidas como consecuencias de publicidad on line Número de páginas visitadas por cliente Páginas de entrada y salida más utilizadas Reclamaciones de clientes por tipo comercial y región Tiempo medio de resolución de una reclamación en Call Center Informes por producto y organización de servicios Informe de resultado de las ventas correspondientes a las promociones existentes Volumen de ventas durante periodo promocional y no promocional Tabla 3. Ejemplo de CRM. El almacenaje de la información recopilada durante una estrategia CRM es realizado mediante bases de datos, por lo que se le llama Data Base Marketing. Su finalidad es proporcionar la mayor cantidad de información del cliente con un mínimo de entradas, es decir, las bases de datos se alimentan de la operación diaria y del trato cotidiano con los clientes.34 Gracias a esta versatilidad, las bases de datos CRM analíticas contienen variables útiles para obtener información referente a la propensión de compra de sus clientes, la cual puede aplicarse a estrategias de mercadotecnia directa. El modelo que se sugerirá a lo largo de este trabajo contempla este tipo de CRM debido a su funcionalidad y disponibilidad de datos clave del mercado existente. Sin embargo, se requiere analizar a detalle esta información para determinar la significancia y utilidad de sus variables, por lo que las herramientas tradicionales pueden no explicar la complejidad real del mercado, mermando las ventajas que se pueden obtener de la mercadotecnia directa. 33 34. García, Ignacio. CRM Gestión de la Relación con los Clientes. FC Editorial. Madrid, 2001. Ponzoa, José Manuel. Los 100 Errores del CRM. Editorial ESIC. Madrid, 2005..

(24) 24. 2.7 Limitaciones en la elaboración actual de estrategias Actualmente existen metodologías y herramientas útiles para elaborar estrategias de mercadotecnia directa. Sin embargo, tienen dos grandes limitantes que impiden su utilización en organizaciones B2C: . Su construcción es demasiado compleja y requiere de personal experto que las adecúe y mantenga.. . Su costo es demasiado alto ya que se invierte en infraestructura, asesoría y servicio de firmas expertas. Actualmente existen diversas metodologías capaces de tratar grandes cantidades de. información de forma estandarizada y económica, tales como la minería de datos, las redes neuronales y el clustering de datos, entre otros.35 Cada una de estas metodologías ayuda a analizar datos masivos utilizados para distintos fines estratégicos en diversos ámbitos de negocio. Una de las disciplinas que más ha explotado estas herramientas es el mercado crediticio, con los llamados Credit Scoring. Estos modelos son relativamente similares a las herramientas utilizadas por la mercadotecnia, por lo que es factible adecuarlos a los modelos de Marketing Scoring para ser utilizados en estrategias de mercadotecnia directa. Adicionalmente, la implementación y desarrollo de estos modelos puede realizarse de forma sencilla gracias a que su amplia utilización ha ayudado a difundir información acerca de su naturaleza y de las diversas técnicas utilizadas para su generación. En el siguiente capítulo se analizarán los modelos Cresit Scoring utilizados en instituciones financieras, de manera que sus semejanzas con las campañas de mercadotecnia directa ayudarán a definir los fundamentos de una metodología que facilite la toma de decisiones para la elaboración de estrategias mercadológicas.. 35. Nettleton, David. Análisis de datos comerciales. Ediciones Díaz de Santos. España, 2003..

(25) 25. Capítulo III. Fundamentos de los Modelos Credit Scoring 3.1 Introducción al capítulo Las instituciones crediticias enfrentan retos similares a la selección de clientes para mercadeo directo, ya que la minimización de sus riesgos financieros depende de la correcta elección de clientes a quienes otorgar un crédito. Una de las herramientas más utilizadas para fundamentar esta toma de decisiones es el Credit Scoring, cuya definición y funcionamiento general se explica a lo largo de este capítulo.. 3.2. Decisiones. crediticias. y. sus. similitudes. con. la. mercadotecnia Una organización crediticia lleva a cabo diversas operaciones, tales como la apertura de cuentas, otorgamiento de créditos, modificaciones en el límite de crédito, acceso a nuevos productos y beneficios o bien la cobranza de saldos moratorios. Estas actividades requieren de una toma de decisiones previa para llevarse a cabo, es durante esta fase que el riesgo potencial se controla y se optimiza la ganancia esperada. El Credit Scoring es la herramienta utilizada por este tipo de instituciones para fundamentar su toma de decisiones de una manera ágil y eficiente, con el objetivo de reducir la morosidad esperada en sus clientes. Este objetivo es análogo al de la mercadotecnia directa, la cual busca reducir el CAC de sus campañas. La siguiente tabla relaciona algunos de los componentes similares entre ambas disciplinas..

(26) 26. Concepto Tipo de decisiones. Mercadotecnia directa ¿Qué clientes deben considerarse en la campaña? ¿Qué clientes son propensos a la compra de un producto o servicio?. Tipo de mercado. Clientes diversos Compras al por menor Características únicas Patrones definidos de comportamiento Costo de oportunidad Pérdida de capital. Tipo de riesgo. Enfoque al problema. Clientes individuales Características de consumo. Crédito a personas físicas ¿Qué clientes deben recibir un crédito? ¿Qué clientes pueden acceder a otros productos? ¿Qué clientes deben ser remitidos a cobranza? Diversas necesidades de crédito Servicios especializados Características únicas Historia crediticia Morosidad Cuentas perdidas Saldos incobrables Clientes individuales Historial crediticio sano. Tabla 4. Similitud entre mercadotecnia directa y crédito a personas fijas. Tanto la mercadotecnia directa como el crédito a personas físicas deben manipular información característica de cada cliente para realizar la toma de decisiones, con base en la historia del mercado en general. Esta perspectiva de lo general a lo particular es la piedra angular de los modelos Credit Scoring.. 3.3 Conceptos del credit scoring Un modelo de Credit Scoring es un algoritmo matemático que evalúa el riesgo de forma automatizada, definiendo si un individuo es bueno o malo mediante el análisis objetivo de las características únicas de los clientes. Posteriormente el algoritmo asigna una calificación o score dentro de un espacio de referencia. Por ejemplo, un score de 350 puede significar que el sujeto de estudio se encuentra en el nivel 350 de una escala de 200 a 800, donde 200 corresponde a mayor riesgo y 800 a menor riesgo. En este ejemplo, el hecho de que el individuo analizado sea un cliente bueno o malo depende de la postura de la organización, ya que el resultado del modelo Credit Scoring no tiene una interpretación única y funciona sólo como un sistema de referencia. 36 La identificación de los individuos como clientes buenos o malos está sujeta a la asignación de un Cut Off del modelo, es decir, un límite dentro de la escala de referencia que 36. Gutiérrez, Matías Alfredo. Modelos de Credit Scoring – Qué, cómo, cuándo y por qué - . Banco Central de la República Argentina. Octubre de 2007..

(27) 27. divida el rango de los clientes buenos del rango de los clientes malos. Un score por encima del Cut Off significa que el sujeto de estudio es un cliente bueno y generalmente se le es asignado el crédito.37 En el ejemplo anterior, si el Cut Off fuese de 400, significaría que el cliente se encuentra en el rango 200 a 400, es decir de clientes malos, al haber obtenido un score de tan sólo 350. No existen rangos de scores o Cut Off predefinidos, sino que cada organización establece su propio espacio de referencia, de acuerdo a sus necesidades y sus posturas con respecto al riesgo. La media de las organizaciones crediticias utiliza rangos de 300 a 850 puntos con un Cut Off de 723, pero no es un estándar que deba seguirse en todas las organizaciones.38 Generalmente, las organizaciones con mayor aversión al riesgo, establecerán un Cut Off más elevado que las propensas al riesgo, mientras que el rango de scores dependerá de la metodología utilizada. Los modelos Credit Scoring surgieron desde la década de 1970, sin embargo no fueron ampliamente difundidos y utilizados hasta la década de 1990 gracias a las nuevas herramientas de cálculo computacional. Debido a que requieren múltiples operaciones y supuestos para cada individuo analizado, las computadoras y el software estadístico se vuelven fundamentales para poder hacer de los modelos Credit Scoring una herramienta de uso cotidiano en las organizaciones. Sin embargo, aún con los adelantos tecnológicos, estos modelos no han llegado a sustituir al juicio humano, por el contrario, funcionan como herramientas de apoyo para la toma de decisiones, ya que los analistas utilizan su propio juicio y experiencia, ocupando al modelo como una prueba a favor o en contra de su razonamiento.39 Existen tres enfoques distintos a los cuales dirigir los resultados de estos modelos, clientes nuevos, clientes existentes y clientes morosos. Para cada uno de estos enfoques el mercado crediticio ha destinado un modelo diferente.40. 37. Business Glossary. Barron’s Educational Series, 2006. Gutner, Toddi. Anatomy of a Credit Score. Business Week, 28 de noviembre de 2005. 39 Gutiérrez, Matías Alfredo. Modelos de Credit Scoring – Qué, cómo, cuándo y por qué - . Banco Central de la República Argentina. Octubre de 2007. 40 Scorto. www.scorto.com/spanish/credit_scoring.htm 38.

(28) 28. 3.4 Scoring de aprobación Este modelo cuantifica el riesgo asociado a las solicitudes de crédito. Es el enfoque más utilizado por las organizaciones crediticias y trata de establecer una diferenciación entre los clientes buenos y malos con respecto a su comportamiento pronosticado, es decir, se les aplica a clientes potenciales que aún no forman parte de la cartera de la organización.. 3.5 Scoring de comportamiento Analiza los patrones de comportamiento histórico de los clientes existentes en la cartera actual de la organización. Su utilización es muy diversa y puede ayudar a identificar la conducta futura de cada tipo de cliente. Algunas de sus aplicaciones más comunes son: . Riesgo crediticio: Predice la probabilidad que un cliente caiga en mora en un tiempo determinado.. . Deserción: Identifica a los clientes cuya probabilidad de cancelar sus cuentas en un tiempo determinado es alta.. . Rentabilidad: Ordena a los clientes por su nivel de ingreso potencial a la organización.. . Venta cruzada: Identifica a clientes ya existentes que podrían comprar nuevos productos o utilizar determinados canales de comunicación con una alta probabilidad.. 3.6 Scoring de cobranza Segmenta en grupos similares a los clientes con diferentes niveles de insolvencia. Este modelo discrimina a los clientes que requieren de acciones decisivas para recuperar los saldos en mora, de aquellos clientes que no necesitan atención inmediata o bien el riesgo de que su saldo se vuelva incobrable es bajo. Con el paso del tiempo, los modelos han evolucionado, permitiendo a las organizaciones adoptar el modelo más adecuado a sus necesidades. Tradicionalmente se basaban en técnicas de análisis discriminante, pero con la introducción de nuevas tecnologías de información, han surgido nuevas técnicas de regresión logística con modelos Probit y Logit, modelos no.

(29) 29. paramétricos de suavizado, programación matemática, cadenas de Markov, árboles de decisión, sistemas expertos, algoritmos genéticos y redes neuronales.41 Esta diversidad permite que cada metodología se adapte a las distintas necesidades de las empresas.42 Actualmente, uno de los métodos más utilizados es la regresión lineal, debido a la simplicidad de su operación y la aplicabilidad en casi todas las organizaciones.43 Debido a lo anterior, esta tesis enfocará su marco de referencia en el estudio de los modelos Credit Scoring con metodologías de regresión lineal buscando que la adecuación al problema estudiado se pueda realizar de forma sencilla y con una interpretación directa de la calificación score.. 3.7 Descripción de los modelos de regresión lineal Estos modelos basan su funcionalidad en el estudio discriminante de datos, buscando relaciones existentes entre las variables de grupos predefinidos.44 Generalmente, durante su aplicación en modelos de aprobación y de comportamiento, estos grupos son clientes buenos y clientes malos, aunque pueden existir otros grupos. Su metodología es sistemática, con tres pasos principales que permiten iterar con la información disponible45: 1. Seleccionar dos muestras de la base de datos, la primera de ellas se denomina muestra de entrenamiento y es utilizada para obtener las funciones discriminantes. La segunda es llamada muestra de test y es utilizada para probar el desempeño del modelo. 2. Identificar a priori los grupos o clases en que se dividen las dos muestras. Esta clasificación puede darse de acuerdo a la estrategia de la organización y se realiza mediante la asignación de un identificador a cada individuo. 3. Encontrar la combinación lineal de variables que maximice la variabilidad entre los grupos y minimice la variabilidad dentro de los grupos. Esta combinación de variables se denota como 41. ∑. , donde w es el peso atribuido a cada variable x del modelo.. Gutiérrez, Matías Alfredo. Modelos de Credit Scoring – Qué, cómo, cuándo y por qué - . Banco Central de la República Argentina. Octubre de 2007. 42 Gutiérrez, Matías Alfredo. Modelos de Credit Scoring – Qué, cómo, cuándo y por qué - . Banco Central de la República Argentina. Octubre de 2007. 43 Malthouse, Edward. Shrinkage Estimation and Direct Marketing Scoring. Journal of Interactive Marketing, 17 de Julio de 1998 44 Vojtek, Martin. Credit Scoring Methods. Czech Journal of Economics and Finance, 2006 45 Bonilla, María; Olmeda, Ignacio; Puertas, Rosa. Modelos paramétricos y no paramétricos en problemas de Credit Scoring. Revista Española de Financiación y Contabilidad, Vol. 32 No. 118. Julio – Septiembre 2003..

(30) 30. Al tratarse de modelos paramétricos, se utilizan datos duros que conllevan restricciones para su correcta aplicación y funcionalidad. Para que estos modelos puedan dar resultados óptimos, es necesario que se cumplan los siguientes supuestos estadísticos46: . Las k variables independientes tienen una distribución normal multivariante.. . Existe igualdad en las matrices de varianzas – covarianzas de las variables independientes de cada uno de los grupos.. . El vector de medias, las matrices de covarianzas, las probabilidades a priori y la magnitud del error son todas ellas variables conocidas.. . Las muestras extraídas de la población son aleatorias.. 3.8 Análisis matemático Al establecer un modelo scoring se toma en cuenta la relación lineal multivariada entre sus elementos, ubicándose dentro de un rango de respuestas determinado, limitando así la escala de respuestas posibles como Score de los individuos evaluados. Este rango de respuestas suele ser binomial o nominal, dependiendo del tipo de modelo creado. Para efectos de esta tesis se analizará el modelo binomial para simplificar su explicación. Considérese un conjunto de respuestas posibles λ, siendo este una matriz de 2 x k, con k el número de variables a utilizar. De esa manera, el valor esperado de cada una de las variables del modelo estaría representado por la siguiente ecuación47:. Donde. es la probabilidad de que el elemento k tome valor 1 en el modelo. Esta. probabilidad se comporta bajo una distribución Poisson debido a la naturaleza binaria del modelo, pero puede ser utilizado otro tipo de distribución para casos nominales. Para formular el modelo se crea una ecuación lineal que explique la variable dependiente Z, correspondiente a la calificación Scoring, mediante las probabilidades de ocurrencia de las variables explicativas. Consideremos los vectores columna X y β, correspondientes a las variables. 46. Bonilla, María; Olmeda, Ignacio; Puertas, Rosa. Modelos paramétricos y no paramétricos en problemas de Credit Scoring. Revista Española de Financiación y Contabilidad, Vol. 32 No. 118. Julio – Septiembre 2003. 47 Guitiérrez, Matías. Modelos de Credit Scoring – Qué, cómo, cuándo y para qué-. Banco Central de la República Argentina, 2007..

(31) 31. dependientes y su coeficiente lineal, respectivamente. La relación dada entre estas matrices se observa de la siguiente manera:. Donde. Considerando que: Esta ecuación establece la relación lineal existente entre cada variable independiente y la calificación scoring del modelo, sin embargo, para estimar los valores de β es necesario optimizar la recta resultante mediante los métodos de mínimos cuadrados o bien de máxima verosimilitud. La interpretación del modelo resultante se basa en los valores de Z, ubicándolos en la escala posible de la sumatoria de β y comparándose con un valor de Cut Off previamente asignado de acuerdo a la estrategia de la organización, el cual funciona como discriminante de clientes buenos y clientes malos. La ecuación. funciona como eje fundamental del. modelo scoring, donde las probabilidades de ocurrencia de cada una de las variables independientes agregan valor a la variable dependiente Z. La relación existente entre este score y el nivel de riesgo que se busca optimizar está dada según la muestra y suele tener un comportamiento no lineal.. 3.9 Limitaciones para su aplicación mercadológica Las variables utilizadas en este tipo de modelos son paramétricas y cumplen con una serie de características esenciales para su funcionalidad, que en caso de no cumplirse pueden ocasionar errores estadísticos que resten confiabilidad al modelo Credit Scoring. Las características esenciales que deben presentarse en cualquier conjunto de información se muestran a continuación: . Cuantitativas: Información numérica con unidades definidas, como tiempo, dinero, número de solicitudes..

(32) 32. . Medibles: Puede calcularse su magnitud de manera directa, no requiere de cálculos o suposiciones.. . Objetivas: No requiere de interpretaciones o puntos de referencia variables.. . Históricas: Tiene un comportamiento definido en el tiempo y pueden recuperarse datos pasados. Si se utilizaran variables que no cumplen estas características, aun cuando los supuestos. estadísticos se respeten, existirían divergencias entre la teoría del análisis discriminante y la práctica. Estas divergencias serían producto de los datos no paramétricos que no pueden someterse a las herramientas explicadas previamente. Generalmente, la información relevante en las estrategias mercadológicas resulta no paramétrica al combinar datos nominales (género, estrato social, zona geográfica) con datos discretos (edad, número de compras, número de visitas). Este tipo de información no puede tratarse mediante técnicas paramétricas de Credit Scoring, como lo es la regresión lineal, ya que no cumple con al menos una de las características mencionadas anteriormente. Sin embargo, mediante técnicas avanzadas de análisis discriminante, es posible adecuar los modelos Credit Scoring a este tipo de información. Existen diversas metodologías de análisis discriminante, tales como el análisis de clusters, análisis factorial, regresión logística, entre otros48, pero una de ellas tiene la peculiaridad de introducir en los modelos analizados una perspectiva confirmatoria, es decir, que evalúa si los modelos propuestos son correctos; junto con una perspectiva predictiva, es decir, permite cuantificar la probabilidad de ocurrencia de eventos futuros. Esta técnica es conocida como modelos de estructuras de covarianza, los cuales se explicarán en el siguiente capítulo.. 48. Álvarez, Rafael. Estadística multivariante y no paramétrica con SPSS. Editorial Diaz de Santos. España, 1995..

(33) 33. Capítulo IV. Fundamentos de los Modelos de Estructuras de Covarianza 4.1 Introducción al capítulo Utilizados desde 1970, los modelos de estructuras de covarianza han sido de gran utilidad para estudiar fenómenos humanísticos, tales como la política y la psicología, gracias a la flexibilidad de sus metodologías y robustez de sus resultados. A lo largo de este capítulo se explicarán los orígenes, fundamentos y pasos para elaborar un modelo de estructuras de covarianza.. 4.2 Necesidad de técnicas avanzadas de análisis En ocasiones, es necesario analizar datos recolectados de la observación directa de fenómenos, es decir, de aquellos en los que no es posible controlar las variables que intervienen en el proceso. Podemos encontrar dentro de estos fenómenos los pertenecientes a las ciencias sociales y a la ciencia del comportamiento,49 sin embargo su información disponible para el análisis y modelación muchas veces no cumple con las características básicas para su tratamiento estadístico. La mercadotecnia directa es un ejemplo de estos fenómenos, para elaborar su estrategia es necesario considerar variables tales como percepción, opiniones sobre un producto o servicio, intereses o clases sociales, las cuales son más fáciles de representar desde un punto de vista cualitativo o bien utilizando herramientas como la Escala de Likert, la cual facilita la interpretación de este tipo de información. El comportamiento de distintos grupos de individuos suele enfrentarse a procesos con teoría relativamente pobre y carecer de medios para controlar experimentalmente la recolección de información.50 Para enfrentar este problema, una de las herramientas utilizadas son los Modelos de Estructuras de Covarianza, también conocidos como Modelos de Ecuaciones Estructurales.. 49. Casas Guillén, Mercedes. Los modelos de ecuaciones estructurales y su aplicación en el Índice Europeo de Satisfacción al Cliente. Facultad de Económicas – Universidad San Pablo. 50 Batista, Joan Manuel; Coenders, Germa. Modelos de Ecuaciones Estructurales. Ed. La Muralla. Madrid, 2000..

Figure

Ilustración 1. Gráfica del Costo de Adquisición de Clientes
Ilustración 2. Decisiones mercadológicas
Tabla 1. Caso ejemplo de SAS
Tabla 2. Variables de Bases de Datos
+7

Referencias

Documento similar

Abstract: This paper reviews the dialogue and controversies between the paratexts of a corpus of collections of short novels –and romances– publi- shed from 1624 to 1637:

Y tendiendo ellos la vista vieron cuanto en el mundo había y dieron las gracias al Criador diciendo: Repetidas gracias os damos porque nos habéis criado hombres, nos

Entre nosotros anda un escritor de cosas de filología, paisano de Costa, que no deja de tener ingenio y garbo; pero cuyas obras tienen de todo menos de ciencia, y aun

Habiendo organizado un movimiento revolucionario en Valencia a principios de 1929 y persistido en las reuniones conspirativo-constitucionalistas desde entonces —cierto que a aquellas

o Si dispone en su establecimiento de alguna silla de ruedas Jazz S50 o 708D cuyo nº de serie figura en el anexo 1 de esta nota informativa, consulte la nota de aviso de la

La globalización, así como la evolución acelerada de la tecnología y el desarrollo de nuevas formas de hacer negocios, han obligado a las empresas a apoyarse en la mejora de

Ciaurriz quien, durante su primer arlo de estancia en Loyola 40 , catalogó sus fondos siguiendo la división previa a la que nos hemos referido; y si esta labor fue de

Las manifestaciones musicales y su organización institucional a lo largo de los siglos XVI al XVIII son aspectos poco conocidos de la cultura alicantina. Analizar el alcance y