Más allá del NPS: Predicción de crecimiento de ventas

Como métrica el Net Promoter Score (NPS) se encuentra altamente posicionado en el mindset de los gerentes alrededor del mundo. Se ha demostrado en diferentes investigaciones su rol dominante a la hora de predecir crecimiento en ventas.

Si bien los tracking de salud de marca funcionan para entender la dinámica con no clientes, los tracking de experiencia en general y el NPS en particular funcionan para la comprensión del cliente.

Un estudio realizado por Reichheld (2003), en donde se analizaron 12 sectores económicos diferentes, encontró que el NPS es predictor y a su vez el mejor predictor de crecimiento de ventas. Hallazgos similares fueron encontrados por Pingitore et al. (2007) analizando 2 sectores económicos; estos dos autores trabajaron en aerolíneas. van Doorn et al. (2013) También encontró en el NPS un predictor de crecimiento de ventas de forma cross industrial

En este blog, queremos socializar un experimento realizado en seguros usando datos de 8 compañías aseguradoras en el ramo de automóviles en Colombia.

Método:

En 2018, 2019, 2020 y 2021, se entrevistaron tomadores activos con cada una de estas aseguradoras, la tabla a continuación muestran los tamaños de muestra.

  2018 2019 2020 2021
Sura 129 128 197 212
Mapfre 119 109 180 200
Allianz 106 99 162 189
AXA 92 86 150 171
Liberty 73 67 137 157
HDI 61 53 119 138
Equidad 50 42 104 126
SBS 35 24 85 108

El objetivo de esta encuesta, fue medir NPS, razones y actitudes en promotores, detractores y neutros al igual que interés por continuar con estas aseguradoras.

Las cifras de crecimientos en ventas, son indirectas y fueron tomadas de FASECOLDA como primas devengadas.

Por medio de nuestra metodología CPS Competitive Price Scanner, tomamos las tarifas de diferentes perfiles de tomador, auto y riesgo usando bots de inteligencia artificial que se conectan a las plataformas como un intermediario para extraer los precios pertinentes.

Modelo:

Para analizar el impacto de NPS sobre la dinámica de crecimiento en ventas, se formuló un modelo GARCH Generalized AutoRegressive Conditional Heteroscedasticity A continuación la explicación de los componentes del modelo

    • Generalizado porque tiene en cuenta tanto las observaciones recientes como las históricas en un modelo que tiende a ser lineal general.

    • Autorregresivo El crecimiento en ventas, tiene en sí mismo una dinámica de tendencia, estacionalidad y ciclos que puede explicar su futuro, por sí mismo en partes.

    • Condicional porque la varianza futura depende de la varianza histórica.

    • Heterocedástico porque la varianza oscila en función de las observaciones de cada aseguradora.

La estructura lógica del modelo fue:

Crecimiento en ventas = Crecimiento orgánico + precio del seguro + NPS de consumidor + Intención de renovación + error.

 

Los modelos corrieron usando lenguaje Python en entorno SageMaker en entorno AWS.

Resultados:

A continuación los resultados del mejor modelo luego de comparar GARCH (1,1), ARCH (1), TARCH (1,1)

Variable Estimador de impacto β Error Estándar
Crecimiento de venta orgánico 1,99 .497**
Precio de venta de la póliza -0,394 ,543*
Intención de renovación 1,229 .948**
NPS de consumidor 2,323 .212**

* Significativo al 95% / ** significativo al 99%.

Bondad de ajute: R2: 0,74 / LM -987.88 / AIC 12,61

Conclusiones:

      • En esta industria (seguros de autos) el NPS es un predictor confiable de crecimiento de ventas. 1% que crece el NPS, crece en 1,22% la venta en general de las aseguradoras estudiadas.
      • La relación entre NPS y precio que está dispuesto a pagar el consumidor es NEGATIVA, a mayor NPS menor disponibilidad a pagar más en la renovación (esto amerita otro blog)
      • El NPS puede unirse con información interna para organizar mapas predictivos de la estrategia comercial a futuro.

Referencias:

    • Reichheld, F. F. (2003). The one number you need to grow. Harvard Business Review, 81(12), 46–54.

    • Pingitore, G., Morgan, N. A., Rego, L. L., Gigliotti, A., & Meyers, J. (2007). The single-question trap. Marketing Research, 19(2), 8–13.

    • van Doorn, J., Leeflang, P. S. H., & Tijs, M. (2013). Satisfaction as a predicator of future performance: A replication. International Journal of Research in Marketing, 30(3), 314–318.

Queremos acompañar tus procesos de analítica de datos e integración entre data externa y data interna para lograr mayor pertinencia en tus estrategias comerciales ¿Entramos en contacto?

Gabriel Contreras

Gabriel Contreras

Actual CEO de SINNETIC para Colombia. Estudios en psicología, estadística, Msc en estadística, MBA y especialista en comportamiento del consumidor e investigación de mercados. Más de 15 años de experiencia haciendo consultoría analítica y de datos para Seguros, Agronegocios, FMCG, Farma y Movilidad

Artículos Relacionados

Category management y ciencia de datos en tiempos inflacionarios

Los reportes de mejores prácticas indican que las estrategias de salida a mercado "Go! to market" ...

CONTINUAR LEYENDO

Mejores prácticas en gestión del churn: Data science

El caso de uso más representativo en las organizaciones cuando se habla de ciencia de datos, es sin...

CONTINUAR LEYENDO

Ciencia de datos y el journey empírico de experiencia de cliente

Durante la década de los 90 y primera década del siglo XXI, el concepto de satisfacción del cliente...

CONTINUAR LEYENDO