Ciencia de datos e investigación aplicada

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? América del Sur México y Centroamérica

Customer Journey Map

Más allá del NPS: Predicción de crecimiento de ventas

Factores sociales relacionados a la compra en línea y el e-commerce

Mejores prácticas en gestión del churn: Data science

Data Science: Experiencia de cliente y cobranza predictiva

Insights desde chatbots y whatsapp con NLP

Ciencia de datos y el journey empírico de experiencia de cliente.

Grow your business more quickly
with our solutions for inbound and ecommerce