Pronóstico de efectividad de promociones sobre clientes, dadas sus características y respuestas pasadas

• Main Author: Fuenzalida Caro, Barbara Bia
• Other Authors: Aburto Lafourcade, Luis Alberto
• Language: es
• Published: Universidad de Chile 2012
• Subjects: Promoción de ventas; Consumidores - Actitudes; Satisfacción del consumidor; Retail
• Online Access: http://www.repositorio.uchile.cl/handle/2250/111506

Ingeniera Civil Industrial === El presente trabajo se realiza en el contexto de la industria del retail, que tiene por principal dificultad entender las preferencias de sus clientes, dificultando la gestión eficiente y correctamente dirigida de sus iniciativas de marketing, particularmente promociones de descuento. Una segunda dificultad enfrentada por la industria es la complejidad de evaluar correctamente los efectos de dichas iniciativas dado que generalmente su proceso de asignación no es aleatorio. El objetivo del trabajo es establecer un método de pronóstico de la respuesta del cliente al ser expuesto a promociones, agregando a la información actualmente utilizada su respuesta a ofertas pasadas, de manera de reducir las pérdidas de ganancia de los retailers. La metodología a utilizar se basa en la aplicación de un modelo estimador de efectos causales ad hoc a la naturaleza no aleatoria de los datos llamado Modelo Causal de Rubin con Enfoque Predictivo, el cual mediante el cálculo de la propensión que presentan los clientes a ser expuestos a la promoción llamado Propensity Score contrasta la respuesta de consumidores comparables, reflejando el efecto incremental de la presencia de la intervención. Al modelo se le puede dar un enfoque predictivo si se considera que los clientes no cambian su comportamiento en el tiempo. Además se plantea un modelo propio basado en los principios de Rubin que permite reconocer clientes que si bien no es posible asegurar que compran el producto a consecuencia de la promoción, su intención de adquirirlo no es independiente de la presencia de un cupón de descuento. Entre los resultados se encuentra que la inclusión de las respuestas a ofertas pasadas de los consumidores mejora en un 23,6% el pronóstico de su respuesta actual. Por otro lado el 72% de los clientes no manifiesta cambios en su comportamiento de compra inmediato producto de la intervención, siendo las únicas variables que presentan influencia significativa sobre dicha decisión aquellas referentes a la marca del producto ofertado, la respuesta a promociones a las cuales fueron expuestos el trimestre anterior a la intervención y su comportamiento de compra en el mismo período. Además se identifican dos tipos de clientes, aquellos a quienes una alta exposición a promociones de características comunes incentiva el imprimir y utilizar cupones de descuento y aquellos a los cuales dicha exposición deteriora su propensión a manifestar estos dos comportamientos. Finalmente el modelo propio propuesto es capaz de reconocer al 80,6% de los clientes que según el Modelo de Rubin sí es influenciable por promoción. Se concluye que el actual sistema de evaluación de promociones sobrestima los efectos reales de la intervención sobre los consumidores en MM$ 1,2 por promoción, siendo más riguroso el modelo de estimación de Efectos Causales de Rubin. Por otro lado se tiene que el modelo propio propuesto, si bien no iguala el porcentaje de identificación de clientes influenciables del modelo recién mencionado, su superioridad en eficiencia lo hace el más indicado para la aplicación en el retail estudiado, además de superar en precisión al actual sistema de asignación de promociones que podría significar una disminución de la perdida de aproximadamente MM$ 72. Finalmente se sugiere a la empresa evaluar el trade off entre costos y resultados más reales que plantea continuar usando el actual modelo de evaluación de promociones versus el uso de Modelo Causal de Rubin de manera de utilizar el que mejor se ajuste a sus prioridades. Además se sugiere utilizar el modelo de pronóstico propio planteado para dirigir promociones de productos con niveles de demanda poco clara, evitando desarrollar iniciativas en aquellos con demanda alta. Por último se propone automatizar el modelo de pronóstico propuesto, además de incluir en él mediciones de la percepción que los clientes tienen respecto a promociones.