Para un banco de consumo líder del Perú construimos un modelo conductual que predice qué barreras frenan la digitalización y ordena cuáles mover primero.
En plena pandemia, el banco necesitaba llevar a más clientes a sus canales digitales. La fase cualitativa dejó sobre la mesa 28 posibles barreras y facilitadores. El problema: sin saber cuáles pesan de verdad, cualquier plan corre el riesgo de invertir esfuerzo en lo que no mueve la aguja.
El banco quería pasar de la intuición a una priorización con evidencia. La pregunta no era "¿qué opinan los clientes?", sino una más exigente: ¿qué determinantes predicen que un cliente se digitalice, y cuáles son solo ruido que acompaña al comportamiento sin causarlo?
Combinamos una fase cualitativa para generar las hipótesis y una cuantitativa para ponerlas a prueba, todo organizado con el modelo COM-B (Capacidad, Oportunidad y Motivación) del cambio de comportamiento.
En simple: una persona adopta un comportamiento solo cuando se juntan tres cosas: que pueda hacerlo (capacidad), que su entorno se lo permita (oportunidad) y que quiera hacerlo (motivación).
Entrevistas en profundidad con clientes de distintos niveles de digitalización. De ahí salieron 28 enunciados de posibles barreras y facilitadores, ordenados según capacidad, oportunidad y motivación.
Encuestamos a 2.220 clientes y los clasificamos en tres perfiles según su uso digital: No Digitales, Neodigitales y Digitales. Cada enunciado se midió en una escala de acuerdo.
Con una regresión logística separamos lo que realmente predice la digitalización (significancia p < .01) de lo que no. El resultado: una lista priorizada de drivers, con su peso y su dirección.
A quiénes medimos. Clasificamos a los clientes en tres perfiles según su uso de los canales digitales:
La mayoría de los estudios de mercado describen qué piensan y hacen tus clientes. Es útil, pero se queda ahí. Combinamos lo cualitativo y lo cuantitativo con una meta más ambiciosa que la de un estudio típico: modelar qué predice el comportamiento y ordenar qué mover primero.
Cada método hace un trabajo distinto. Lo cualitativo genera las hipótesis: las entrevistas en profundidad sacan a la luz creencias que a nadie se le ocurriría preguntar, como "el voucher impreso es mi garantía". Lo cuantitativo las pone a prueba: mide cuáles existen a escala y, sobre todo, cuáles predicen la digitalización.
La mayoría de los estudios llegan hasta el paso 2. El valor para decidir está en los pasos 3 y 4.
Clasificamos a cada cliente como Digital o No Digital y usamos una regresión logística (un modelo estadístico que estima cuánto pesa cada factor) para ver qué determinantes predicen ese resultado, aislando el efecto de cada uno. Exigimos un umbral estricto (p < .01) para no confundir ruido con señal, y expresamos cada efecto como el cambio en la probabilidad de que un cliente se vuelva digital. Así la estadística se vuelve una lista de prioridades accionable. El modelo explica el 40% de la digitalización, una cifra alta para un comportamiento tan complejo; el resto marca dónde seguir indagando. Base: 2.220 clientes.
Peso relativo de cada driver dentro del modelo predictivo. Cliente anonimizado por confidencialidad.
Al modelar qué predice la digitalización, el banco pudo concentrar sus esfuerzos en las pocas palancas que de verdad mueven el comportamiento, y dejar de invertir en las que apenas lo acompañan.
Los No Digitales no rechazan lo digital: en su mayoría no saben qué esperar ni cómo operar. La distancia con los Digitales es más grande justo en los tres predictores que más pesan.
Una encuesta te dice qué piensan tus clientes. Un modelo predictivo te dice en qué orden actuar. La diferencia entre ambos es dónde se gana o se pierde el presupuesto.
El resultado no es un informe para archivar: es una decisión de inversión. En lugar de repartir el esfuerzo entre 28 ideas sueltas, el banco supo en qué 3 o 4 palancas concentrar su presupuesto, y cuáles descartar por no mover la aguja. Eso es dinero que deja de gastarse a ciegas, antes de invertir en campañas o rediseños.
Con los determinantes priorizados, el siguiente paso natural es diseñar intervenciones que derriben esas barreras y validarlas con experimentos (probar cada idea con usuarios reales) antes de escalar. Así se pasa de "creemos que funciona" a "sabemos cuánto funciona".