Caso de éxito en banca

¿Por qué los clientes no usan la tarjeta de crédito que acaban de recibir?

Para un banco latinoamericano construimos un modelo conductual que predice qué clientes estrenarán su tarjeta y qué creencias lo explican, para decidir por dónde empezar.

2.6xmás probabilidad de estrenar la tarjeta cuando el cliente sabe qué día y cuánto pagaría (63% frente a 24%)
Cliente
Banco latinoamericano
Método
Entrevistas, encuesta a 3150 clientes y datos de uso
Servicio
Behavioral Research
Sector
Banca

Por confidencialidad, las cifras y algunos detalles del proyecto fueron modificados.

El reto

Tarjetas entregadas que nunca se usaban

El banco entregaba miles de tarjetas de crédito al mes, pero solo el 47% de los clientes hacía su primera compra en los 60 días siguientes a recibirla. Cada tarjeta sin uso era un costo de captación desperdiciado y, muchas veces, un cliente que no volvía a intentarlo.

El equipo tenía muchas explicaciones posibles (el límite de crédito, los comercios, el diseño de la tarjeta, los beneficios) y ninguna forma de saber cuál influía de verdad. Necesitaba entender qué predice que un cliente estrene su tarjeta y cuánto influye cada factor, para decidir por dónde empezar.

Qué hicimos

Escuchar, medir, predecir y segmentar

Ordenamos el trabajo con el modelo COM-B, que explica un comportamiento por tres condiciones: que la persona pueda hacerlo (capacidad), que su entorno se lo permita (oportunidad) y que quiera hacerlo (motivación).

1

Escuchamos

Hicimos 18 entrevistas en profundidad (a clientes que estrenaron su tarjeta y a clientes que no) y dos talleres con el equipo de tarjetas, uno para levantar hipótesis y otro para priorizar. Así llegamos a 24 afirmaciones sobre lo que facilita o frena la primera compra.

2

Medimos

Encuestamos a 3150 clientes en sus primeros días con la tarjeta y les pedimos su acuerdo de 1 a 5 con cada afirmación. Con su consentimiento, 60 días después unimos sus respuestas a los registros del banco. Así medimos compras reales en lugar de lo que cada cliente recordaba.

3

Predijimos

Con una regresión logística estimamos qué creencias predicen la primera compra (p < 0.01), manteniendo constantes las demás, y comprobamos el modelo con clientes que no había visto. El resultado es una lista de creencias ordenadas por su efecto en la probabilidad.

4

Segmentamos

Agrupamos a los clientes según sus respuestas y encontramos cuatro perfiles con tasas de uso muy distintas. Tres preguntas en la bienvenida bastan para saber a qué perfil pertenece cada cliente nuevo.

Por qué es distinto

Dos pasos más que un estudio de mercado

Un estudio de mercado describe qué piensan tus clientes y compara grupos. Aquí además modelamos qué creencias anticipan la compra y cuánto influye cada una, y con eso ordenamos las acciones.

Las entrevistas aportan las hipótesis, como "si la uso, voy a perder el control de mis gastos", y la encuesta mide cuáles están extendidas y cuáles predicen de verdad el uso de la tarjeta.

Lo que hace un estudio típico
1
Describir
Qué piensan y hacen los clientes.
2
Comparar
En qué se diferencian los grupos, con pruebas de significancia.
Lo que agrega este diagnóstico
3
Predecir
Qué creencias anticipan la compra y cuánto mueven la probabilidad.
4
Priorizar
Qué acción conviene hacer primero, según impacto y esfuerzo.

Qué responde este diagnóstico, y dónde verlo en este caso

El hallazgo

Qué decide si la tarjeta se usa

Cuánto pesa cada palanca en el modelo
Barrera43%Motivaciónmiedo a endeudarse y a los costos
Facilitador28%Capacidadentender cómo se paga
Facilitador17%Oportunidadherramientas y lugares para usarla
Facilitador12%Motivaciónbeneficios percibidos

Peso de cada palanca según la suma de los efectos de sus afirmaciones en el modelo. Cifras modificadas por confidencialidad.

El modelo funciona fuera de la muestra. Con clientes que no había visto, en el 81% de los pares formados por uno que compró y uno que no le asignó más probabilidad al que compró (AUC de 0.81).

Cuánto cambian las chances de estrenar la tarjeta con cada creencia
Las chances (odds) son la probabilidad de comprar dividida entre la de no comprar. Cada barra muestra cuánto suben o bajan por cada punto más de acuerdo con la afirmación, en la escala de 1 a 5. Para un cliente con 42% de probabilidad, chances 52% más altas equivalen a pasar a 52%.
BarreraFacilitadorNo predice
En gris, dos creencias que surgieron en las entrevistas y no suman poder predictivo (n.s., no significativas). Los porcentajes de chances no son simétricos, y una baja de 38% (chances divididas entre 1.6) es un efecto algo mayor que la subida más alta. Cifras modificadas por confidencialidad.

La barrera más fuerte es el miedo a endeudarse

Por cada punto más de acuerdo con "una tarjeta de crédito es una deuda que no necesito", las chances de estrenarla bajan 38%. Con "si la uso, voy a perder el control de mis gastos", bajan 34%.

El facilitador más fuerte es entender cómo se paga

Saber qué día y cuánto pagaría sube las chances 52%, y saber que pagando el total a tiempo no paga intereses, 46%. Las dos cosas se pueden enseñar desde la bienvenida.

El límite, el canal y el diseño influyen poco

Una vez que el modelo conoce las creencias del cliente, el límite de crédito, que se la ofrecieran sin buscarla y que el diseño le guste casi no suman. Por eso rediseñar la tarjeta no entró en las prioridades.

El insight

El miedo a la deuda y no saber cómo se paga son barreras distintas. Hay clientes que entienden la tarjeta y aun así temen endeudarse, y otros que no le temen pero no saben cuándo ni cuánto pagarían. Cada barrera pide su propia acción, una bienvenida que enseñe a pagar y un límite de gasto que dé control.

Cómo lo modelamos

Marcamos a cada cliente según si hizo o no su primera compra en los 60 días siguientes a recibir la tarjeta, un dato tomado de los registros del banco. Con una regresión logística estimamos cuánto se asocia cada creencia con ese resultado, manteniendo constantes las demás y controlando por edad, ingreso, límite de crédito y tenencia de otra tarjeta. Exigimos p < 0.01. Entrenamos el modelo con el 70% de los clientes y lo probamos con el 30% restante. En ese grupo, el 81% de los pares formados por un cliente que compró y uno que no quedaron bien ordenados (AUC de 0.81).

Simulador

Cuánto cambia la probabilidad de estrenar la tarjeta

Con los coeficientes del modelo se puede estimar cómo cambiaría la probabilidad de primera compra si cambia una creencia, con todo lo demás constante. Un punto más de acuerdo en las tres afirmaciones lleva a un cliente de 42% a 69%. Mueve los controles para verlo.

Ni de acuerdo ni en desacuerdo (3)
Ni de acuerdo ni en desacuerdo (3)
Ni de acuerdo ni en desacuerdo (3)
Probabilidad estimada de primera compra en 60 días
42%
La línea marca el punto de partida (42%).
Igual que el punto de partida (42%).

El simulador usa los coeficientes del modelo, que miden asociaciones. Parte de un cliente que responde 3 en las tres afirmaciones; como el cliente promedio está algo más de acuerdo que eso, la tasa real del banco es mayor (47%). Un mensaje rara vez cambia una creencia un punto completo, por eso el experimento se diseñó para detectar 5 puntos porcentuales. Cifras modificadas por confidencialidad.

¿Quieres un simulador como este con los datos de tus clientes?

Conversemos
A quién

Cuatro perfiles, cuatro conversaciones distintas

Agrupamos a los clientes por sus respuestas y aparecieron cuatro perfiles. La tasa de primera compra va de 22% a 81% según el perfil, y cada uno tiene una barrera distinta.

Cautelosos
31% de los clientes
22%
estrenó la tarjeta en 60 días

Temen endeudarse y ven la tarjeta como un riesgo. Necesitan sentir que tienen el control.

Novatos
27% de los clientes
38%
estrenó la tarjeta en 60 días

Temen la deuda mucho menos que los Cautelosos (37% frente a 68%), pero no saben cuándo ni cuánto pagarían. Necesitan reglas claras.

Pragmáticos
24% de los clientes
64%
estrenó la tarjeta en 60 días

Entienden cómo funciona la tarjeta y la usan cuando ven un beneficio concreto.

Usuarios natos
18% de los clientes
81%
estrenó la tarjeta en 60 días

Ya conocen las tarjetas de crédito y saben usarlas. Basta con no ponerles obstáculos.

Dónde está la brecha de cada perfil
Los Novatos tienen la brecha más barata de cerrar. Le temen a la deuda mucho menos que los Cautelosos, y lo que les falta es saber cuándo y cuánto pagarían, algo que se enseña en la bienvenida.
CautelososNovatosPragmáticosUsuarios natos
Porcentaje que está de acuerdo (4 o 5 en la escala) con cada afirmación, por perfil. Cifras modificadas por confidencialidad.
Prioridades

Qué hacer primero, según impacto y esfuerzo

Ubicamos cada acción según el efecto que el modelo le atribuye y el esfuerzo y costo que le pide al banco, estimados con el equipo de tarjetas. Arriba a la izquierda queda lo que conviene hacer primero.

  1. 1Calendario de pago en la app (si compras hoy, qué día y cuánto pagarías). Impacto alto, esfuerzo bajo.
  2. 2Bienvenida con la regla del pago total. Impacto alto, esfuerzo bajo.
  3. 3Límite de gasto que el cliente elige en la app. Impacto alto, esfuerzo medio.
  4. 4Beneficio por la primera compra. Impacto medio, costo alto.
  5. 5Rediseño de la activación en la app. Impacto medio, esfuerzo alto.
  6. 6Más comercios afiliados. Impacto bajo, esfuerzo alto.
Impacto estimado con el modelo; esfuerzo y costo estimados en el taller de priorización con el equipo de tarjetas. Cifras y detalles modificados por confidencialidad.
Validación

El experimento que lo comprueba antes de escalar

El modelo muestra asociaciones y el experimento mide el efecto real. Dejamos lista una prueba con tres grupos de clientes nuevos, asignados al azar, para las dos acciones más baratas.

Grupo A

Bienvenida actual

El mensaje que el banco ya enviaba. Es el punto de comparación.

Grupo B

Bienvenida que enseña a pagar

Muestra qué día y cuánto pagaría el cliente si compra hoy, y que pagando el total a tiempo no paga intereses.

Grupo C

Lo mismo, más un límite de gasto

Suma un límite que el propio cliente elige en la app, pensado para quienes temen perder el control.

Métrica
60 díasPrimera compra después de recibir la tarjeta
Muestra
1900 clientespor grupo, 5700 en total
Efecto mínimo detectable
5 puntosporcentuales, de 47% a 52%
Rigor
80%de potencia, con significancia de 0.025 por comparación

Cada grupo se compara con la bienvenida actual. Comparar B con C pediría una muestra mayor.

Para decisores

Lo que el banco tiene ahora para decidir

Una encuesta sola muestra qué piensan los clientes. Con un modelo predictivo encima, el banco sabe además en qué orden actuar y dónde conviene poner el presupuesto.

En lugar de 24 hipótesis sin orden, el equipo tiene las creencias que más influyen, cuánto puede moverse la probabilidad con cada una, los perfiles a los que conviene hablar primero y un experimento listo para medir el resultado antes de escalar.

¿Quieres saber qué predice el comportamiento de tus clientes?

Diseñemos el diagnóstico que te diga dónde actuar primero.