Desafío
La empresa necesitaba lograr una mayor tasa de captación de clientes entre aquellos con mayor probabilidad de cancelar su servicio móvil prepago. Anteriormente, se les hacían ofertas específicas en función de su nivel de propensión a la cancelación (Alto, Medio y Bajo).
En la solución presentada, no había forma de determinar si la oferta era la más adecuada para cada cliente. En otras palabras, a los clientes con alta propensión a la deserción se les ofrecía la oferta designada para ese grupo. ¿Era esa la mejor oferta para ese grupo? Tampoco había forma de saber si estas ofertas eran realmente las más apropiadas para ese cliente en particular; es decir, ¿el cliente del grupo deseaba esa oferta o alguna otra? Por último, ¿qué oferta desearía el cliente y sería rentable para la empresa?
El principal obstáculo para lograrlo era cómo crear un modelo que pudiera predecir eficazmente lo que el cliente podría elegir basándose en decisiones anteriores y dentro de un contexto específico (como el saldo disponible, el momento de la oferta, el comportamiento, etc.).
Otro desafío fue cómo aumentar la monetización de los clientes. Esto significaba que, si bien la primera oferta personalizada tenía la mayor probabilidad de ser seleccionada, podría no ser la más rentable. Quizás la segunda oferta personalizada, con una mayor probabilidad, podría ser más rentable.
¿Por qué AWS?
Durante varios años, CWP ha utilizado los servicios de AWS para almacenar sus datos en lagos de datos, así como para realizar análisis, modelado predictivo y visualizaciones. La experiencia del cliente y de Strata con los servicios de AWS generó confianza en su rendimiento, velocidad de implementación y conveniencia. Implementar SRE en esta plataforma fue ideal, ya que no requirió migrar a ningún servicio externo a AWS, puesto que todo el entorno de servicio SRE-MLOps y el desarrollo se ejecutan en la plataforma de AWS.
Por qué el cliente eligió al socio
Strata ha colaborado con CWP en diversos proyectos, incluyendo el desarrollo de diferentes modelos predictivos para los segmentos fijo y móvil, así como análisis para generar información valiosa para el negocio. Además, se crearon varios paneles de control con QuickSight para visualizar la efectividad de las campañas y otras soluciones. En otras palabras, Strata posee un amplio conocimiento del potencial y el desarrollo del entorno AWS, y el cliente también confía en Strata y dispone de datos en AWS.
Solución de socio
La solución implementada por Strata consistió en crear un marco que recopila datos de tres fuentes: interacciones, datos de usuario y datos de ofertas. Con esta información, se entrenó un modelo con AWS Personalize, seguido de una clasificación ponderada para priorizar la monetización. A partir de estos resultados, se desarrollaron campañas personalizadas para visualizar los resultados de conversión. Todo este proceso se ejecuta automáticamente dos veces por semana, utilizando los datos más recientes para proporcionar información de entrenamiento prácticamente en tiempo real.
Arquitectura HL
La arquitectura parte de datos de diversas fuentes, categorizados en tres dominios: interacciones, información del usuario y detalles del producto. Estos datos se preprocesan y utilizan en SageMaker, aprovechando también los servicios de AWS Personalize, y las inferencias se almacenan en un bucket de S3. Posteriormente, las funciones Lambda acceden a estas inferencias para activar campañas dirigidas a los usuarios. Asimismo, se emplean servicios de registro para supervisar cada paso del proceso.
Resultados y beneficios
La solución es totalmente automatizada y no requiere intervención humana. Además, es fácil de replicar para otros mercados o campañas, con un tiempo de desarrollo muy corto. Al ser una solución parametrizada, se puede ajustar fácilmente si es necesario modificar parámetros como el número de ofertas o el periodo de entrenamiento. El proceso completo tiene una duración aproximada de 2 horas.
Próximos pasos
Los siguientes pasos implican la mejora continua del modelo a medida que se entrenan más casos con interacciones adicionales proporcionadas por SRE, ya que se trata de un modelo que aprende de sus recomendaciones anteriores. También se está avanzando en la implementación de esta solución en otras campañas de clientes.
