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.
Por confidencialidad, las cifras y algunos detalles del proyecto fueron modificados.
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.
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).
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.
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.
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.
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.
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.
Qué responde este diagnóstico, y dónde verlo en este caso
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).
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%.
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.
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 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.
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).
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.
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?
ConversemosAgrupamos 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.
Temen endeudarse y ven la tarjeta como un riesgo. Necesitan sentir que tienen el control.
Temen la deuda mucho menos que los Cautelosos (37% frente a 68%), pero no saben cuándo ni cuánto pagarían. Necesitan reglas claras.
Entienden cómo funciona la tarjeta y la usan cuando ven un beneficio concreto.
Ya conocen las tarjetas de crédito y saben usarlas. Basta con no ponerles obstáculos.
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.
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.
El mensaje que el banco ya enviaba. Es el punto de comparación.
Muestra qué día y cuánto pagaría el cliente si compra hoy, y que pagando el total a tiempo no paga intereses.
Suma un límite que el propio cliente elige en la app, pensado para quienes temen perder el control.
Cada grupo se compara con la bienvenida actual. Comparar B con C pediría una muestra mayor.
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.