Campañas de mantenimiento preventivo con promociones.

Cliente: Auteco

Metodología: segmentación y modelamiento predictivo con minería de datos y machine learning, promociones calibradas por economía del comportamiento y diseño de experimentos sobre el Customer Journey Map.

Problema abordado En motocicletas el ciclo de recompra es largo, de modo que el ingreso recurrente y el vínculo de largo plazo con el fabricante viven en la postventa —repuestos y mantenimiento— más que en la venta del vehículo. El riesgo estructural es la fuga silenciosa: el dueño que migra a talleres no autorizados y repuestos no originales, decisión que tiende a explicarse por la brecha de precio frente al original y por la fricción de acceso al taller oficial en el momento de la falla. El reto se descompuso en dos predicciones acopladas: la probabilidad de falla moto a moto en el tiempo —qué repuesto, cuándo— para alistar inventario; y la propensión de cada usuario a reparar fuera de la red autorizada, para anticipar la fuga antes de que se materialice.

Metodología aplicada Sobre una base amplia de usuarios segmentada con técnicas supervisadas y no supervisadas, se construyó un modelo de probabilidad de falla por unidad y por ventana temporal. Ese modelo cumple una función que va más allá del pronóstico: localiza el momento de máxima receptividad del dueño —el punto donde la falla incipiente vuelve saliente el costo de no actuar—, y convierte un recordatorio genérico en un contacto oportuno y relevante. Sobre esa ventana operaron promociones calibradas por usuario, diseñadas para cerrar la brecha de precio que de otro modo empuja hacia el repuesto no original. La calibración se sometió a diseño de experimentos a lo largo del journey, condición que permite atribuir el efecto a la intervención y no al ruido de fondo del mercado.

Resultados / aprendizajes

• La predicción de falla definió el momento de comunicación: el efecto de un mismo incentivo tiende a depender menos de su profundidad de descuento que de su oportunidad temporal —llegar en la ventana correcta pesa más que llegar con la oferta más agresiva.
• La predicción alimentó el abastecimiento, asegurando disponibilidad física del repuesto cuando el dueño llega al taller; el desabasto opera como una de las fricciones que empuja la reparación hacia afuera de la red.
• La hoja de vida por cliente, con indicador de fuga, permitió priorizar la intervención sobre las unidades de mayor riesgo relacional antes de la defección, en lugar de reaccionar una vez perdido el cliente.

Impacto en indicadores de negocio La campaña se asocia a una mejora del 32% en la adherencia a reparaciones dentro de centros autorizados —en la práctica, la cara inversa de la fuga— y a una satisfacción 1,5 veces superior a la línea de base. El valor de negocio se proyecta sobre el ingreso de postventa retenido en la red oficial, la protección del vínculo de largo plazo dueño-fabricante y la reducción del riesgo de calidad que introduce el repuesto no original. El diseño experimental es lo que sostiene que ese 32% responde a la intervención y no a un movimiento concurrente del mercado.

Queremos acompañar tus procesos de migración a la nube con nuestros expertos en MlOps y DataOps. ¿Entramos en contacto?

América del Sur

México y Centroamérica