Causal Inference and Uplift Modelling: A Review of the Literature
Pierre Gutierrez y Jean-Yves Gérardy, Proceedings of Machine Learning Research 67, 2017.
Los clientes rara vez avisan de que se van; su comportamiento suele hacerlo, semanas antes de que la cuenta se quede en silencio.
Empiece por una definición escrita en la que acuerden crecimiento, finanzas y producto antes de que nadie construya un modelo. Contar solo los cierres pasa por alto la mayor parte de la pérdida. Las definiciones útiles describen la propia deriva, por ejemplo:
Elija una definición principal y conserve las demás como vistas secundarias. Un prestamista puede preocuparse sobre todo por los clientes que cancelan su préstamo por anticipado y no vuelven a endeudarse. Deje la definición por escrito con su ventana y manténgala fija, para que los resultados de un trimestre sean comparables con los del siguiente.
Las primeras señales están en lo que hacen los clientes, y el orden de los eventos suele decir más que los totales. Un cliente cuyo salario llega y se transfiere el mismo día se comporta de manera distinta a uno que lo gasta a lo largo del mes, aunque sus saldos mensuales se parezcan. Los resúmenes mensuales conservan los conteos y pierden esa secuencia. Entre las señales que conviene seguir están:
Investigadores de Nubank han descrito modelos transformer entrenados con datos de transacciones de clientes que mejoraron las predicciones en problemas de recomendación a gran escala (Braithwaite et al., 2025). Lo mismo vale para la salida: conserve el historial de cada cliente con sus tiempos, porque ahí está la señal.
Una alerta que llega cuando el cliente ya movió su salario sirve de poco. Pregunte al equipo que va a actuar cuántos días necesita entre una alerta y una conversación, considerando las aprobaciones y las reglas de contacto. Ese número es el plazo de anticipación y debe figurar en el encargo como un requisito de negocio.
Después juzgue las predicciones a ese horizonte. Un modelo muy preciso con una semana de antelación puede ser más débil con cuatro semanas, y la vista de cuatro semanas puede ser la única que el equipo puede aprovechar. Informe la precisión en el horizonte acordado y registre con cuántos días de antelación se señaló por primera vez a cada cliente retenido.
Una lista de clientes con probabilidad de irse no es lo mismo que una lista de clientes a quienes vale la pena contactar. Algunos clientes se quedarán hagan lo que hagan, y otros se irán ofrezca lo que ofrezca. Otros responderán a una llamada o a una tasa mejor, y a unos pocos el propio contacto los empujará a irse. El presupuesto gastado en los dos primeros grupos se desperdicia, y contactar al último grupo hace daño.
El modelado de uplift estima el efecto adicional de una acción sobre el resultado de un cliente, en comparación con no hacer nada. Los métodos revisados por Gutierrez y Gérardy (2017) necesitan todos datos sobre clientes que fueron contactados y clientes que no. En la práctica eso significa un grupo de control reservado: una parte aleatoria de los clientes señalados que no recibe ninguna acción, de modo que la diferencia entre los dos grupos muestre lo que logró el programa. Mantenga ese grupo de control reservado en un tamaño que el negocio acepte, para poder contrastar con él los resultados de cada trimestre.
Una lista ordenada solo sirve si alguien la trabaja. Parta de la capacidad: a cuántos clientes pueden contactar bien sus equipos en una semana y cuántas ofertas cubre el presupuesto. Corte la lista en ese número y ordénela por valor retenido esperado, para que el esfuerzo vaya adonde más vale.
Guarde la lista de cada semana como un grupo con nombre, con el motivo por el que cada cliente figura en ella. Así todos los equipos trabajan con los mismos nombres, ningún cliente es contactado dos veces y cada resultado puede rastrearse hasta el grupo al que se dirigió la acción.
Las normas que permiten a los clientes compartir sus datos y mover dinero entre instituciones reducen el esfuerzo de cambiar. En los EAU, el Reglamento de Finanzas Abiertas del Banco Central exige a las instituciones autorizadas dar a los participantes del marco acceso a los datos de los clientes y la capacidad de iniciar transacciones, siempre con el consentimiento expreso del cliente (CBUAE, junio de 2024). En diciembre de 2024, la junta del Banco Central aprobó Nebras Open Finance, una filial que opera la infraestructura central de las finanzas abiertas (WAM, diciembre de 2024). En Brasil, el Open Finance del Banco Central permite a cada cliente decidir qué datos compartir, con qué institución y durante cuánto tiempo (Banco Central do Brasil).
Esto funciona en ambos sentidos: un competidor puede hacer una oferta a partir del historial compartido de un cliente, y usted también. El tiempo entre la primera señal de deriva y el cambio mismo puede acortarse, lo que hace más importantes el plazo de anticipación y la puntuación frecuente.
Informe todo esto junto cada mes, con el valor retenido frente al grupo de control reservado, neto del costo de las ofertas, en la primera página y la precisión del modelo en el anexo.
Mantika Tessera aprende del historial de sus clientes y muestra a sus equipos a quién retener y con quién crecer.
Pierre Gutierrez y Jean-Yves Gérardy, Proceedings of Machine Learning Research 67, 2017.
D. T. Braithwaite y otros (Nubank), arXiv:2507.23267, julio de 2025.
Banco Central de los EAU, comunicado de prensa, junio de 2024.
Agencia de Noticias de los Emiratos (WAM), 12 de diciembre de 2024.
Banco Central do Brasil, página oficial (en portugués).