La era de la Inteligencia Comercial CASO DE ÉXITO

Transcripción

1 CASO DE ÉXITO fotononstop AUTOR: RUBIO, José Antonio La era de la Inteligencia Comercial Las técnicas de Data Mining afloran el tesoro mejor guardado de una organización: la información que ésta esconde sobre su cartera de clientes. Con estos procedimientos se consigue transformar el dato en conocimiento para realizar un marketing más efectivo. A este artículo se trae un caso real de selección del público objetivo, que multiplicó por cuatro los resultados obtenidos el año anterior en una campaña de similares características. José Antonio Rubio Blanco, gerente de Inteligencia Comercial y Operativa de Indra TÍTULO: La era de la Inteligencia Comercial FUENTE: MK Marketing+Ventas, Nº 226 Julio/Agosto de Pág. 56 DESCRIPTORES: Actividad comercial Cliente Data Mining Estrategias de marketing Público objetivo RESUMEN: Gracias a los nuevos canales de comercialización el productor se aleja del cliente y se fortalece el papel del distribuidor. En este nuevo escenario, las empresas tienen que entrar en contacto directo con el mercado; para ello, departamentos como el de marketing encuentran en la información interna un poderoso aliado. La utilización de técnicas de Data Mining aporta respuestas a las cuestiones más estratégicas de la gestión comercial, con el fin de conseguir más efectividad por menos coste. Así, el enriquecimiento de la información comercial y de clientes se presenta como algo necesario para lograr un marketing de precisión, basado, por ejemplo, en el análisis de propensión a la compra de ciertos productos o en procesos certeros de selección de público objetivo.

2 El deseo de toda empresa es, desde el principio de la concepción mercantil, llegar al mayor número de clientes de la forma más efectiva, para venderle sus productos y servicios. Pero las relaciones con el cliente (marketing incluido) han evolucionado vertiginosamente en los últimos años. El desarrollo de las nuevas tecnologías ha traído unas comunicaciones personalizadas, tanto por el medio utilizado (contact centers, internet, , teléfonos móviles, PDA s ), como por el mensaje (capacidad de digitalizado y personalizado), o por el producto. En relación directa con ello está la evolución de los sistemas de venta y distribución; aparecen nuevos canales de comercialización más eficientes, que alejan al productor del cliente, y fortalecen al distribuidor. Ante este nuevo escenario a las empresas no les queda otra opción que entrar en contacto directo con sus clientes (el mercado), escuchándoles, comprendiéndoles y adaptándose rápidamente a ellos. Un claro ejemplo es la modalidad de la banca telefónica y on-line, que persigue una relación con el segmento más proactivo de sus usuarios finales. En paralelo a esta personalización de la comunicación, las nuevas tecnologías abren vías distintas para obtener un conocimiento de los clientes pragmático y útil desde el punto de vista comercial. Sin embargo, muchas empresas desconocen que la mayor parte de esta información se atesora en la propia organización. El análisis riguroso de la ingente documentación interna almacenada en las bases de datos permitirá conocer más y mejor al cliente, para definir estrategias proactivas de gestión que aumenten su valor a largo plazo. Esto permitirá alinearse cada vez más con la estrategia de la empresa, y se traducirá en concretar y priorizar objetivos y en ampliar recursos críticos en las acciones derivadas para conseguirlos. En 2003, la Caja de Ahorros del Mediterráneo (CAM) utilizó por primera vez modelos estadísticos para encontrar un target de clientes para tarjetas, antes invisible, y hacer frente a la agresividad de la competencia. Aunque sólo se pudo emplear el canal de telemarketing, el uso de la Inteligencia Comercial supuso un incremento del 6 por 100 en las tarjetas operativas a los cinco meses y del 24 por 100 a los 10. Por otra parte, para departamentos como el de marketing o tecnología, obligados constantemente a justificar y demostrar sus resultados, la información interna es un valioso aliado; y en este paradigma de conseguir más efectividad por menos coste, la utilización de técnicas de Data Mining aporta respuestas a las cuestiones más estratégicas de la gestión de la actividad comercial. Gráfico 1 El ciclo de vida de la información interna (ver gráfico superior), y su aplicación en el conocimiento del cliente y en la ejecución de acciones orientadas a maximizar su valor a largo plazo para la empresa consiste en: El ciclo de vida de la información interna 57

3 CASO DE ÉXITO El hecho diferencial está en lo que se conoce de los clientes y la organización, y que el resto aún no sabe Obtención de datos: todos los contactos con el cliente deben utilizarse como oportunidades para recoger más información sobre él. Aplicación de modelos: se puede aflorar información oculta y de alto valor. Conocer al cliente: obtener un conocimiento pragmático sobre el cliente, utilizable comercialmente y sostenible en el tiempo. Estrategias de gestión del cliente: desde un profundo conocimiento, hay que orientar la estrategia de un modo proactivo hacia el establecimiento de relaciones personales y duraderas. Cumplimiento de objetivos: con las ventas que se obtienen, es posible generar más datos y comenzar así un nuevo ciclo. La homogeneización de la oferta de productos y precios reduce la fidelidad a las marcas. Si cada vez resulta más difícil diferenciarse por producto, precio, canal de distribución o medio de atención, sólo queda concentrarse en conocer al cliente lo suficiente como para saber anticiparse a sus necesidades en el momento preciso, el de la verdad. El hecho diferencial está en lo que se conoce de los clientes y la organización, y que el resto aún no sabe. Esto lleva a considerar la información interna como un valioso tesoro por descubrir y explotar. No todas las compañías son capaces de aprovechar el material que obtienen de sus sistemas, especialmente de sus CRMs (Customer Relationship Management), y explotarlo adecuadamente, por tanto, es esencial preguntarse qué información útil se ha generado en la organización? y cómo utilizarla de un modo estratégico? En general, lo más difícil de un plan estratégico suele ser llevarlo a cabo. La capacidad de ejecución del plan se ve aún más restringida si no se conoce profundamente la situación real de la organización. En concreto, por la falta de información sobre sus clientes y cómo reaccionarán ante las nuevas circunstancias que les deparará el futuro. Si el objetivo fuera alcanzar un crecimiento sostenible, cómo ganar cuota de mercado y retener a la vez a los clientes actuales? Y si se tratara de reducir costes, cómo gastar menos sin que repercuta en los resultados? Y si se quisiera aumentar el margen sin incrementar significativamente la cartera de clientes o sin crecer en estructura, cómo obtener una mayor rentabilidad por cliente o empleado? Una vez hechas estas preguntas, surgen espontáneamente las acciones a considerar: identificar a los mejores clientes, fidelizarlos, aumentar la cesta de productos y servicios que contratan con nosotros, señalar nuevos nichos de mercado Se define así la estrategia de la empresa, comúnmente reconocida como talento o visión de negocio. Pero no basta con saber dónde hay que ir, también hay que llegar allí; descubrir el tesoro implica disponer del plano para llegar hasta él. Y aún más, conlleva saber interpretarlo; no son suficientes el talento y la visión de negocio, sino que hay que saber explotar adecuadamente la información interna (y en menor medida, la externa), hoy día aprovechable al máximo merced a la tecnología. De este modo, la estrategia definida en la organización se traducirá en planes de acción efectivos y se sacará el máximo partido de la información almacenada en los sistemas de gestión de clientes y se rentabilizarán más aún las grandes inversiones realizadas en ellos. Viaje hacia el conocimiento Pero, qué se necesita para hacer aflorar este tesoro? Cómo se explota como Dios manda la información interna de una empresa? Lo primero es preparar el camino: planificar y organizar el viaje. Al margen de las cuestiones de cada negocio, para que una organización esté perfectamente alineada con sus objetivos debe recolectar la información, convertirla en conocimiento y transformar éste en acción 58

4 para, por fin, traducirla en ingresos. Si la información está sobrecargada, desorganizada, fuera de contexto y resulta caótica, lo primero a conseguir es que sea concisa, organizada, relevante y personalizada. En este sentido, son fundamentales las técnicas de Data Warehouse y Data Clearing; las primeras permiten aunar en un inventario común la información procedente de las distintas áreas de negocio, almacenada con alto nivel de detalle y perspectiva histórica. Las técnicas de Data Clearing, por su parte, garantizan la calidad de la información mediante procesos de depuración y homogeneización (la base de los futuros análisis). Una vez que se dispone de un repositorio de información con la calidad y volumen necesarios, se está en condiciones de explotarla y enriquecerla a través de otros procedimientos. Con las denominadas técnicas de Data Mining (o minería de datos) es posible responder a las principales cuestiones de negocio. El origen de su nombre es la similitud del proceso de búsqueda de una veta de mineral entre una montaña de mena, de ahí que se compare con el proceso de aflorar información de negocio valiosa en grandes bases de datos. Así, se define como el conjunto de técnicas utilizadas en el proceso de búsqueda de modelos comprensibles a partir de grandes volúmenes de datos. Algunas de las principales características de dichas técnicas se resumen como una actividad no manual que descubre patrones útiles y traducibles en reglas de negocio; permite tomar decisiones proactivas mediante el conocimiento de tendencias y comportamientos futuros, y genera nuevas oportunidades de negocio. Pero, cómo es capaz el Data Mining de descubrir información de negocio que se desconoce o de realizar predicciones sobre comportamientos futuros? Mediante la modelización se prepara un modelo, que no es más que la reconstrucción de una situación de la que se sabe la respuesta, con el fin de aplicarla sobre otra de la que se desconoce. Las técnicas de enriquecimiento de la información comercial se basan, fundamentalmente, en la obtención de modelos de comportamiento de los clientes. Para obtenerlos hay que tener un repositorio de información histórica válida, conocer y aplicar las técnicas estadísticas y de Data Mining, y contar con las herramientas adecuadas. Como decía Isaac Newton: Lo que en verdad sabemos es como una pequeña gota de agua en comparación con el enorme océano de lo que no sabemos. Dato, información y conocimiento son tres conceptos fundamentales en este viaje. De ellos, la Real Academia Española (RAE) dice: Dato: Lo que se da Es el valor objetivo que refleja un hecho o transacción. Información: Acción y efecto de dar forma a algo El receptor decide si proporciona información. Conocimiento: Acción de averiguar, por el ejercicio de las facultades intelectuales, la naturaleza, cualidades y relaciones de las cosas Es un activo nada sencillo de definir. En el siguiente gráfico se observa la senda emprendida desde la recolección del dato hasta la obtención del conocimiento profundo. En particular se ve cómo desde la aplicación de un modelo de las técnicas de Data Mining es posible inferir una serie de patrones de comportamiento que, una vez interpretados y evaluados correctamente, se traducen en dicho conocimiento. Gráfico 2 El viaje del dato al conocimiento 59

5 CASO DE ÉXITO APLICACIONES PRÁCTICAS Definición Descripción Conocimiento del Cliente Segmentación de la Cartera Cross Selling Up Selling Venta secuencial de productos o servicios Retención de clientes Evitar Disminución del Consumo de Servicios Aumento del Beneficio Medio por Cliente Prevención del Fraude y la morosidad Optimización del Público Objetivo Saturación Promocional Marketing Viral Análisis del perfil del cliente y mejora del conocimiento de la cartera Segmentación predictiva de la cartera de clientes Detección de oportunidades de venta cruzada Senda de comportamiento del uso de productos Prevenir la fuga de los clientes de valor Predicción de fuga de productos o servicios Oferta afín de productos Scoring predictivo de impago Modelos de propensión a la tenencia/ Uso de productos o servicios Optimización de la presión por cliente Convertir clientes en vendedores Aplicar técnicas de análisis descriptivo para hallar el perfil de cliente afín a cada producto o servicio. Mediante análisis multivariante se puede obtener las características de los clientes de forma exhaustiva y aprovechar la información para generar, por ejemplo, el briefing de las campañas. Generación de segmentos de clientes en función del uso que hacen de los productos y servicios contratados. Tipificar los grupos de clientes obtenidos y hallar sus umbrales de uso de servicios, clasificando a los clientes en función de la intensidad con la que los utilizan. A continuación se genera un modelo predictivo capaz de asignar a cada uno la probabilidad de pertenecer a un segmento u otro en función de su comportamiento. A partir de técnicas de minería de datos (Data Mining) se obtendrán las relaciones existentes entre productos y servicios para hallar cestas consumidas al mismo tiempo por los clientes. Utilizar las cestas obtenidas para crear modelos predictivos y obtener scores de clientes con elevada propensión a consumir una determinada cesta. Se analiza el consumo de productos/servicios a lo largo del tiempo con el objetivo de hallar patrones comunes que determinen las sendas de comportamiento y la evolución en el consumo de productos/servicios en el tiempo. Una vez halladas las sendas comunes se pueden predecir tendencias y comportamientos futuros de los clientes de forma automática. Además esta solución está orientada a la gestión integral con el cliente, facilitando una visión completa del mismo en el ámbito de los productos o servicios contratados. Se ha de definir en primer lugar el concepto de abandono, teniendo en cuenta que en muchos casos puede ser parcial y no total, pero quererse analizar igualmente. Modelar el comportamiento de los clientes fugados para aprender de ellos, determinar las causas que han motivado dicho fenómeno y predecir anticipadamente la fuga de otros. Determinar el modelo de comportamiento de los clientes que dejan de utilizar ciertos productos/servicios. Hallar los motivos de abandono y predecir clientes con alta probabilidad de causar baja en los productos/servicios o bien que tienen tendencia a disminuir el uso que hacen de los mismos. En función de las características del cliente y de sus hábitos de consumo es posible crear un sistema de asignación de oferta que determine qué productos ofrecer a qué clientes. La oferta de productos/servicios se haría entonces en función de la afinidad del cliente con el producto y de sus características intrínsecas. Se mejora el grado de satisfacción de los clientes con la oferta y se aumenta el beneficio medio proporcionado por cliente. Generar un scoring predictivo para obtener un ránking de clientes que permita predecir un futuro impago, y que sirva como input para la realización de campañas contra el fraude y la morosidad. El comportamiento histórico del cliente indica la probabilidad de impago de los clientes. También se consideran medidas históricas de comportamiento sobre las variables puras que revelen el comportamiento temporal de los clientes. Se crean variables medias móviles que ponderan en mayor manera los meses recientes que los alejados. Creación de modelos de scoring para la selección del público objetivo de las campañas de marketing directo. Utilización de información histórica de campañas anteriores para cubrir los siguientes objetivos: - Campañas de captación - Campañas de fidelización - Campañas de incremento de volumen y del beneficio medio por cliente. Es posible modelar el grado de saturación promocional debido a que éste depende de una serie de parámetros: el perfil del cliente, el producto ofertado, el número de contactos, el canal, el tiempo transcurrido desde el último contacto Se aplican técnicas predictivas al histórico de campañas para hallar el límite a partir del cual el cliente se satura y pierde interés por la contratación del producto. Encontrar mediante técnicas de Data Mining redes de consumidores que se comuniquen entre sí de forma habitual (colmenas iniciales). Determinar los propagadores clave en cada colmena y analizar si son únicos o existen varios. A continuación hay que determinar estadísticamente el número de exposiciones necesarias al virus, así como los sneezers distintos que han de recomendarlo para que tenga efecto. Esta estrategia de marketing es complementaria a las técnicas tradicionales de marketing directo. No las sustituye. 60

6 Salida obtenida Beneficios Mapa del perfil del cliente para cada producto o servicio. Mejorar la aceptación de los productos/servicios por parte de los clientes mediante la oferta afín al perfil concreto. Detección de necesidades no satisfechas y generación de productos que las satisfagan. Segmentos homogéneos de clientes y los umbrales de uso de servicios de cada segmento. Score de propensión a pertenecer a uno u otro segmento. Tipificación de los clientes en función del uso que hacen de los servicios para mejorar, por ejemplo, la oferta realizada a los clientes Cestas de productos y score de propensión a consumir una determinada cesta. Conocer las relaciones entre servicios/productos para hallar oportunidades de venta cruzada o bien canibalización entre servicios. Predecir anticipadamente la propensión de un cliente a consumir determinadas cestas de productos/servicios. Secuencia que siguen los clientes en el consumo de productos/servicios. Se obtienen todas las asociaciones existentes en forma de duplas, tripletas, cuartetos dinámicas en el tiempo. Conseguir una gestión integral del cliente en lo que al consumo de productos/servicios se refiere. Predecir tendencias y comportamientos futuros automáticamente. Score de propensión a la fuga y descripción del perfil con propensión a abandonar. Mantenimiento de la cartera y de aquellos clientes de más valor. Ralentizar el proceso de renovación total de la cartera de clientes Score de clientes con propensión al abandono o a la disminución del uso que hacen de los productos/servicios. Motivos por los cuales los clientes pierden interés por determinados productos/servicios. Evitar el abandono o la disminución del uso de productos/servicios. Mantener el beneficio medio por cliente. Para los individuos seleccionados se obtiene la oferta más afín a su perfil. Aumento del beneficio medio por cliente y del grado de satisfacción de los mismos con la oferta. Disminución de costes y mejora de la redención de las campañas de marketing directo. Ránking de clientes con una probabilidad de impago asociada. Reducción del impago y de la deuda. Scoring de clientes con mayor propensión, que puede utilizarse para seleccionar el punto de corte óptimo para las campañas de marketing directo. Mejorar la penetración del producto, mantener la cartera e incrementar los ingresos. Se reduce el coste por campaña. Número máximo de contactos con el cliente. Condición de filtro para el target seleccionado en las acciones comerciales. Evitar la saturación del cliente conociendo el límite de contactos que puede soportar antes de que su valor se reduzca (aplicable a su rentabilidad media o al índice de satisfacción). Mapa de las colmenas existentes y sus correspondientes sneezers o propagadores. Reforzar la imagen de marca y la confianza en la misma. Aumentar el consumo de productos/servicios. 61

7 CASO DE ÉXITO Gráfico 3 Por último, todo proceso correcto de Data Mining debe poder retroalimentarse de los resultados obtenidos y seguir unas pautas constantes, que permitan su automatización futura y garanticen la bondad de los estudios. A continuación, se muestra un gráfico con la metodología general: La metodología del Data Mining Rentabilizar la inversión: más con menos La utilización de las técnicas de Data Mining puede llegar a construir un sistema completo de relación con el cliente, no sólo capaz de crear y mantener procesos personalizados de comunicación con él, sino también, por ejemplo, de predecir su comportamiento o su propensión a la venta cruzada sobre ciertos productos o servicios. De hecho, podría darse la paradoja de contar con un sistema que permitiera dirigirse a cada uno de los clientes para hacerles una oferta individualizada y desconocer cuál es el producto con mayor propensión a contratar, con lo que de poco serviría la personalización. Parafraseando al famoso magnate del petróleo, John Paul Getty: Por mucho que afines y mejores las técnicas de prospección, nunca conseguirás petróleo si estás perforando en el lugar equivocado. El enriquecimiento de la información comercial y de clientes es el principio necesario para conseguir un marketing de precisión mucho más efectivo y de menor coste, basado, por ejemplo, en el análisis de propensión a la compra de ciertos productos o en procesos certeros de selección del público objetivo. Un marketing de precisión, cercano a la alta dirección y a las decisiones estratégicas de la empresa, frente al de masa: más con menos. En analogía con el golf, las campañas masivas tradicionales representarían el drive, la potencia y presencia (imagen de marca en el mercado). En el citado deporte el drive es la insuperable sensación de un golpe bien planificado y ejecutado, el placer de la pegada, la espectacularidad del sonido del metal sobre la bola y, obviamente, la distancia, pero, sobre todo, el reconocimiento del público. Le hace a uno sentirse poderoso, diferente, pletórico de fuerzas. Por supuesto, siempre existe el riesgo de fallar el golpe y acabar en el agua, pero merece la pena intentarlo. Las minicampañas de marketing directo representarían el putt: precisión y premio. En el golf se dice que el putt es un juego dentro de otro. La diferencia entre la mayoría de los buenos amateurs y los grandes profesionales radica en este otro juego del golf. El valor de un poderoso drive de más de 250 metros y de un simple putt de 10 centímetros es exactamente el mismo. En los negocios como en el susodicho juego, el buen profesional necesita dominar las dos técnicas: el drive da la gloria, el putt resultados. Casos prácticos Selección del público objetivo. Durante la planificación de una campaña, hay que establecer el público objetivo, tanto cuantitativa como cualitativamente, lo que es vital para decidir la creatividad de la comunicación o el canal utilizado. En campañas dirigidas a los propios clientes (de fidelización o upgrading), el universo lo constituyen todos éstos, pero, a menudo, los que de verdad van a constestar positivamente a la campaña son muchos menos, y está determinado por una serie de factores a priori desconocidos. Mediante técnicas de Data Mining es posible analizar la información de campañas anteriores, el comportamiento pasado y presente de los clientes y el resultado de diversas 62

8 El Data Mining permite descubrir información de negocio desconocida o predecir comportamientos pruebas, realizadas para generar un modelo que asigne a cada cliente una probabilidad de contestar afirmativamente a esta nueva campaña. Para un nivel de contratación dado, su aplicación consigue reducir drásticamente el volumen de contactos a realizar. Además, es posible determinar para cada cliente las características que el sistema ha considerado discriminatorias para decidir si tenía alta propensión a contestar a la campaña. Esta información puede no ser evidente sin un análisis mediante Data Mining y es vital para la concepción del posicionamiento del producto en la campaña y la creatividad. Por último, mediante la aplicación integrada de los sistemas CRM (Customer Relationship Management) cada uno de estos comunicados es personalizable, con un incremento en la probabilidad de respuesta. Es posible, incluso, segmentar el público por este criterio o por rentabilidad del cliente, para dirigir el mensaje por el canal adecuado. Se puede, por ejemplo, realizar una llamada telefónica a los clientes de probabilidad más alta, enviar una carta tipo A a los siguientes, una tipo B a los siguientes, y un al resto. Otros casos similares, y que afectarían directamente al margen, se orientan a optimizar los procesos de negocio clave durante la propia gestión comercial. Data Mining, con sus series temporales, permite predecir la demanda energética a compañías distribuidoras como Unión Fenosa, gracias a correlaciones entre distintos factores, fundamentalmente atmosféricos, como la nubosidad o la temperatura. Previsión de la demanda eléctrica. Con la liberalización del negocio eléctrico en España, se separaron los negocios de generación, transporte, distribución y comercialización de la energía. En este nuevo contexto, el proceso de comercialización eléctrica se ha vuelto mucho más complejo. Las compañías distribuidoras se ven obligadas a abastecer diariamente a sus clientes con una demanda energética variable y un aprovisionamiento mucho más complicado. Así que la previsión de la demanda eléctrica diaria se convierte en un proceso crítico, que exige una serie de decisiones clave sobre el óptimo aprovisionamiento de energía (disponibilidad, generación o compra). La aplicación de técnicas de Latin Stock Podría darse la paradoja de contar con un sistema que permitiera dirigirse a cada uno de los clientes para hacerles una oferta individualizada y desconocer cuál es el producto con mayor propensión a contratar. 63

9 CASO DE ÉXITO Caso de éxito: selección de un target para el lanzamiento DE UN PRODUCTO EN UNA ENTIDAD FINANCIERA A continuación se detalla un caso real de selección del público objetivo, donde los resultados finales multiplicaron por cuatro los obtenidos el año anterior en una campaña de similares características. Situación de partida. Hay una serie de productos bancarios que aporta valor a los clientes y genera negocio para la entidad y se pretende lanzar uno nuevo de características similares a uno existente (producto sustitutivo), para lo que se cuenta con información histórica acerca del comportamiento de los clientes en su consumo. Penetración por segmento de negocio. Se presenta una gráfica con la penetración obtenida por segmento de negocio (macro segmentos). Se puede observar cómo la mayor se encuentra en los macro segmentos 6, 7 y 1, mientras que los número 1, 3 y 4 representan las distribuciones de clientes objetivo más altas. Como variable objetivo se ha tomado el producto existente en la actualidad. Objetivos generales. Lograr un elevado volumen de altas en el nuevo producto ofertado, llegar a la máxima cantidad de clientes con mayor propensión durante la campaña de marketing directo, conseguir un equilibrio entre la máxima redención y la minimización de costes por campaña. Solución propuesta. Aplicar técnicas de Data Mining para modelar el comportamiento financiero de los clientes de la entidad. Conseguir, mediante el modelo, un score o ratio de propensión que priorice a los clientes más susceptibles a comprar el producto y seleccionar el mejor punto de corte, sobre la base del score hallado y el coste de la campaña. El proceso seguido: Microsegmentación del comportamiento. De la aplicación de una micro segmentación comportamental sobre los macro segmentos definidos anteriormente se obtienen los siguientes resultados: los macro segmentos 6 y 7 se han excluido dado su reducido volumen, que no admite una segmentación de estas características. 64

10 De los resultados anteriores se puede inferir que, salvo en el macro segmento 1, existe en general un conjunto reducido de clientes cuya penetración es significativamente superior al del resto dentro de su mismo macro segmento. Árboles de decisión. Mediante la utilización de éstos se determina el público objetivo y se agrupan los clientes con mayor propensión a la acción comercial. Resultados de la campaña. Por último, se dirige el mensaje por el canal más adecuado. Para contacto telefónico, se seleccionan los clientes con más propensión, según el score obtenido. Se utilizó el correo electrónico para el resto, hasta alcanzar el 6 por 100 de los potenciales clientes con más propensión a comprar el producto y se selecciona un grupo ciego de control de forma aleatoria. Así se evalúa la bondad del modelo. Los resultados de los contactos telefónicos multiplican por 66 los del grupo ciego (11,7 por 100 de tasa de contratación). Los del mailing multiplican por 23 los del grupo ciego (4,8 por 100 de tasa de contratación). Las cifras globales del nuevo modelo multiplican por 3,9 los de la campaña del año anterior. Priorización. A continuación se establece el mejor punto de corte para fijar un equilibrio entre los resultados obtenidos y los menores costes de la campaña. Con el 6 por 100 de los potenciales clientes se alcanzará a más del 92 por 100 de los compradores del nuevo producto. El modelo gana 86 puntos frente a otro aleatorio