ON CUSTOMER

RESUMEN

Sobre lealtad y fidelidad

Lealtad y fidelidad tienden a confundirse en el lenguaje común –al igual que ocurre con honestidad y honradez-, pero sin embargo proceden de campos semánticos muy diferentes. Fidelidad procede del ámbito de las relaciones sexuales y tiene que ver con la exclusividad; lealtad procede del ámbito de las relaciones sociales y tiene que ver con la no traición. Lo único que comparten es no poner el servicio de otro agente los servicios propios (sexuales, mentales). Pero abran la posibilidad de que se sea fiel sin ser leal (se es fiel en la conducta pero con gran desafección en el pensamiento) y de que sea leal sin ser fiel (si uno entiende que el amo propio ha traicionado los valores que justificaban la lealtad), se puede reclamar seguir siendo leal (a los valores) al tiempo que se abraza un nuevo amo.

Este es un modo algo extraño de plantear el problema de la lealtad de marca (usamos el término lealtad porque es el único que se usa en inglés para referirse a este asunto, pero recomendamos al lector que mantenga las dos palabras en su memoria de corto plazo porque le ayudará a seguir los razonamientos que siguen).

Los modelos predictivos de lealtad o comportamiento futuro de compra que mejor predicen son los llamados modelos RFM (recency, frecuency, monetary value). Esto se ha podido comprobar una y otra vez con el único tipo de venta –el marketing directo- donde es posible construir  modelos predictivos menos interferidos por factores exógenos (distribución, publicidad, promociones) y constrastarlos con datos reales de ventas de modo casi inmediato.

Porque son RFM los que mejor predicen: por una simple razón, porque son modelos que capturan un proceso polya, es decir, el estado de un sistema con memoria. Dicho en otros términos capturan la inercia del agente comprador: si ha comprado mucho, frecuentemente y recientemente es más probable que siga comprando inmediatamente en el futuro. En cualquier ámbito de la vida las cosas son más o menos similares: si observamos lo que un sujeto ha hecho recientemente y con frecuencia (en consecuencia invierte en ellos recursos como el tiempo) es muy probable que podamos predecir su comportamiento inmediatamente posterior.

Un proceso polya es el proceso típico de un sistema que mantiene su memoria en ausencia de eventos externos. Pequeñas variaciones aleatorias iníciales conducen al sistema hacia un estado que con un número suficiente de repeticiones se vuelve estable, en ausencia de perturbaciones exteriores. El resultado de ese sistema podría haber sido otro si las decisiones iníciales hubieran sido diferentes.

Un fenómeno muy similar se ha observado en el mercado de mercancías de consumo frecuente (Fast Moving Consumer Goods –FMCG–, are products that are sold quickly at relatively low cost) que se ajustan aproximadamente a la distribución Dirichtlet. que pone de manifiesto que las marcas más grandes normalmente lo son porque son El mecanismo que genera este tipo de distribución sería que unas marcas son compradas algo más frecuentemente y en algo mayor cantidad que las que les siguen en tamaño; otro modo de verlo es que los shares de las marcas no siguen una distribución normal sino una distribución de potencia paretiana[i], de modo tal que la conducta de compra de las unidades familiares puede predecirse a partir de los datos agregados del share de la marcas. Las marcas pequeñas sufrirán una rotación de consumidores mayor que las grandes y su fidelidad definida por variables de comportamiento será menor que la de las marcas grandes, tanto si se analiza a nivel de marca como si se analiza a nivel de variedades y tipos de envase. Estos últimos estudios realizados en el entorno del Instituto Ehrenberg Bass, han llevado a conclusiones tales como que las marcas de nicho no existen, lo cual me parece que es una conclusión algo precipitada si se quiere generalizar más allá de FMCG y aún aquí limitadas por las fuentes de información utilizadas –los paneles de Nielsen- cuya cobertura real de la distribución y la cobertura proclamada están más o menos igual de distantes que una peluca y la cabeza que cubre: si se levanta la peluca, no aparece pelo, sino precisamente la calvicie.

En general parece que el share de las marcas tiende a seguir una distribución de potencia donde muy pocas marcas controlan una parte grande del share, con diferencias notorias entre ellas, y una gran cantidad de marcas se reparten el resto del mercado. Para desconcierto de economistas del mercado perfecto, del mundo perfecto, del ajuste perfecto –relojeros suizos-, el mercado perfecto o imperfecto –da lo mismo como lo definan- genera distribuciones que nada tienen que ver con la distribución normal.

Si miramos a otros ámbitos de la vida, también las personas tienden a tener comportamientos predecibles en base a lo que han hecho recientemente. Las personas normalmente no se levantan un día y deciden divorciarse, o deciden dejar la compañía en la que trabajan. O mejor dicho, eso es exactamente lo que hacen, pero la decisión no la han tomado ese día en el más absoluto de los vacíos. Necesariamente ha habido un proceso de desenganche emocional, más o menos prolongado en el tiempo y más o menos consciente, dependiendo de cuan profundo fue el enganche y cuantas influencias negativas han experimentado a lo largo del proceso. Esas influencias negativas han podido venir del partner en la relación o de tentaciones del exterior, o lo más probablemente de ambas fuentes, dado que un desencuentro con el partner, normalmente volverá el sistema consciente o inconscientemente más receptivo a influencias externas.

Una de las pocas aproximaciones predictivas al estudio del divorcio[ii], ha encontrado que el ratio de interacciones positivas respecto a interacciones negativas de 5 a 1 es el mejor predictor de la supervivencia de la pareja años más tarde. Este es un predictor derivado, dado que el escenario de las interacciones viene motivado por estados de los agentes, pero no es menos cierto que las interacciones positivas sin duda actúan como uno de los energizantes de la disposición positiva a la relación. La cuestión está en determinar que hace que las interacciones se mantengan dentro de ese ratio o varíen.

Bajo enganche emocional, “Lay statician & Take the Best”

Por su parte, y a pesar de los creadores de buzzwords, el enganche emocional con las marcas está muy lejos del enganche emocional con las personas, de modo que el desenganche es también mucho más fácil.

Esto lejos de simplificar el problema de la medición de la lealtad, lo complica, dado que para construir un modelo realmente predictivo de la conducta futura cuando el enganche es débil, requiere prestar atención a indicadores sutiles y con frecuencia ambiguos. La clave en un modelo predictivo no está en capturar el momentum –eso con ver el comportamiento de compra se sabe, razón por la cual el modelo RFM es el que mejor parece predecir a corto plazo– sino en capturar las señales que anticipan el cambio del momentum. Para cada cliente se requiere un sistema de señales muy simple pero capaz de predecir cuál es la posición del cliente en un continuo que va desde la lealtad absoluta hasta la voluntad de cambio.

Los humanos son “lay people statiscians”, es decir, han evolucionado tomando decisiones probabilísticas en base a información imperfecta sobre su entorno y sobre sí mismos.

Hay dos fuentes de investigación particularmente relevantes que evidencia claramente como esto es así. Por una parte está toda la investigación realizada sobre la predicción de futuros gustos y futuros estados emocionales que demuestra claramente que los humanos predicen de un modo muy inexacto ambas dos variables, sobreestimando o subestimando significativamente sus predicciones sobre sí mismos. Por otra parte está la investigación sobre el modo como realmente deciden las personas, que han puesto de manifiesto que usan modelos muy sencillos de decisión, donde no se considera toda la información disponible, sino la información más sobresaliente en la situación en la que el sujeto se encuentra siguiendo una regla muy sencilla como Take the Best.

Cualquiera que tenga experiencia en la construcción de modelos explicativos y modelos predictivos sin duda ha tenido que aprender una lección: un modelo explicativo –hindsigth- ajusta mejor cuantas más variables incorpora (hasta un cierto límite); un modelo predictivo –foresigth- ajusta tanto mejor cuantas menos variables incorpora.

Y se ha demostrado que algoritmos muy sencillos de toma de decisiones como el Take the Best, muestran un poder predictivo muy superior a modelos mucho más complejos (aparte de encajar mucho mejor con el proceso como las personas toman decisiones).

Detrás de cada herramienta de investigación hay explícitamente o implícitamente un modelo de toma de decisiones. Hay básicamente dos dimensiones que organizan estas herramientas: cuanta información procesa una persona antes de tomar una decisión y cuál es la regla de ordenación.

Si atendemos al proceso de información tendremos dos tipos de sujetos: los maximizers –buscan una decisión óptima, (que lleguen a ella es otra cuestión)– y los satisfacers –toman una decisión que satisface determinados criterios-.

Si atendemos a la regla de ordenación, lexical (de ordenación de palabras, léxico, en un diccionario) quiere decir que primero se ordenan los criterios de evaluación y después se ordenan los objetos en cada uno de esos criterios y cuando un objeto no desempeña bien en el criterio que se esté evaluando es desechado.

Trade-off quiere decir que cuando dos alternativas son iguales en un criterio, se elige sobre la base de otro criterio, mucho menos importante. Y también implica que con frecuencia criterios a priori menos relevantes pueden acabarse imponiendo a los criterios aparentemente más relevantes, dependiendo del contexto de la decisión, es decir, dos criterios menos potentes cuando se consideran por separado pueden acabar imponiendose (compensate) a uno superior si se consideran bis a bis en un enfrentamiento pareado.

La investigación empírica de mejor calidad ha demostrado que los maximizers no existen, son un tipo ideal, resultado de la teoría normativa de lo que sería una decisión óptima. Además, la propia investigación matemática ha demostrado que con frecuencia ese óptimo no existe o no se puede encontrar (de aquí deriva la necesidad de los métodos de simulación numéricos para aproximar ese óptimo).

Y la investigación psicológica ha demostrado que en muchas situaciones, las personas no descomponen un objeto en atributos para proceder a evaluarlo y usar una de las dos reglas de decisión –lexicográfica o tradeoff- sino que siguen un procedimiento muy sencillo basado en cues y una sola regla: Take The Best[iii].

Exactamente esto es lo que hace aquélla persona que se levanta por la mañana y decide divorciarse. La cuestión es: ¿Cómo ha llegado a esa decisión?. ¿Y cuáles habrían sido las señales (cues) que podrían haber anticipado el conocimiento de que esa decisión iba a producirse?

Vamos con el algoritmo Take the Best.

Este algoritmo pone juntas dos ideas; por una parte el Probablistic Mental Model y por otra el Take the Best Algoritm.

1. RECOGNITION PRINCIPLE: Ante una tarea cualquiera el individuo busca en su memoria para ver si reconoce (recognition) el problema. Esto implica que automáticamente el sujeto sitúa el problema dentro de una clase de referencia (referente class). Si lo reconoce, toma una decisión en base al reconocimiento del problema/solución (chose the alternative to which the cue points). En este caso el reconocimiento del problema es un predictor exacto de la variable a resolver: en una tarea de comparar el tamaño de dos ciudades, se reconoce que el problema forma parte de la clase de problemas –número de habitantes- y directamente se recupera la respuesta de la memoria: a > b porque conoce el número de habitantes o porque nunca ha oído hablar de la ciudad b. En este último caso, la notoriedad (salience) del nombre actúa como substituto del conocimiento de la cifra de habitantes a través de un simple mecanismo de inferencia: normalmente uno ha oído hablar de las ciudades más grandes. Si he oído el nombre de la ciudad a pero no el de la b, a “debe” ser mayor que b.
2. SEARCH FOR CUE VALUES:
   1. Si inicialmente no lo reconoce como perteneciente a una clase de referencia reconocida, y no encuentra ninguna  relación (cue) que le permita asignarlo a una clase, tomará una decisión al azar (guess).
   2. Si inicialmente reconoce el problema como perteneciente a una clase de referencia, pero no está seguro sobre la decisión correcta, busca en su memoria otras posibles relaciones (cues) que va evaluando sucesivamente –una tras otra-, hasta que encuentra una posible solución, siguiendo un criterio jerárquico: salience in memory, easy of retrieval, como indicadores iniciales de relevancia de la cue.
3. DISCRIMINATION RULE: La regla de decisión es si la cue recuperada permite discriminar los objetos, se elige la variable target a>b basándose en que la cue a>b.
4. SUBSTITUTION PRINCIPLE: Si la cue recuperada no permite discriminar los objetos es substituida (o combinada con) por otra regla.
5. MAXIMIZING RULE FOR CHOICE: Deténgase el proceso cuando encuentres una cue que permite discriminar la variable del problema, discriminar entre los objetos.

En el proceso, se toman decisiones en términos de probabilidad:

• Por una parte se evalua la cue validity, es decir, que la relación entre la cue y la variable target sea correcta, es decir, que la cue sirve como criterio para resolver el problema de la clase que se le ha asignado, en términos de frecuencia de eventos similares; es la validez ecológica, es decir, en el entorno natural al cual pertenece el problema, se evalúa si la cue que se va a utilizar es correcta. Por ejemplo, si se trata de decidir sobre el tamaño de ciudades de Alemania, el hecho de que la ciudad tenga un equipo en  la bundesliga, es un indicador válido del tamaño de las ciudades.

• Por otra parte se evalúa la cue probability, la probabilidad de que la aplicación de la solución al problema, basándose en la relación identificada, responda a tipicidad de la clase de referencia del problema es decir, que el problema es un problema típico de la clase de referencia en términos también de frecuencia. En el ejemplo, las ciudades cuyo tamaño se trata de averiguar son una muestra típica de ciudades –no son ciudades especialmente seleccionadas para que el criterio de tener un equipo en la bundesliga no aplique-, de modo que tener o no un equipo en la bundesliga es un criterio aceptable para determinar el tamaño de las ciudades.

• A partir de la cue probability se puede calcular la discrimation rate para cada cue:

• En función de los valores de estos dos criterios, el sujeto tendrá mayor o menor seguridad (confidence) en que la solución al problema es correcta.

Partiendo de los hallazgos que hemos descrito, el problema es construir un modelo tan simple como sea posible, capaz de anticipar un posible comportamiento futuro de lealtad a la marca.

Durante años se ha usado la satisfacción con la marca o con el servicio como un criterio de anticipación. El racional es: un cliente satisfecho no tiene incentivo para abandonar la marca.

Este criterio ha demostrado su ineficacia toda vez que una marca se puede abandonar por:

• Una insatisfacción sobrevenida, simplemente porque ha recibido una oferta competidora, percibida con un valor superior; este efecto estará mediado por la identidad más o menos “marquista del sujeto”.
• Porque la imagen de la marca se va escorando hacia una Doppelgänger Brand Image (family of disparaging images and meanings about a brand that circulate throughtout popular culture) o en general hacia una pérdida de equity.

El RFM es un indicador de fidelidad, pero no de lealtad; un cliente puede serlo simplemente porque no dispone de mejor alternativa, pese a su desenganche emocional absoluto de la compañía que presta el servicio. En procesos de desregulación como el de la telefonía o la energía se aprecia como una parte de los clientes abandonan la compañía monopolista inmediatamente después de la desregulación –fieles pero no leales- y una parte de ellos vuelve pasado un tiempo –después de comprobar que las otra alternativas no están exentas de problemas. En general estos clientes –igual que las parejas que se reconcilian después de una separación- junto con la recobrada fidelidad incrementan su lealtad, al menos durante un tiempo.

La satisfacción de los clientes no es pues un buen predictor de la lealtad de los clientes y RFM tampoco –salvo en el muy corto plazo-.  Menos aún lo son otros indicadores “mágicos” como el “net promoter”[iv], basado en un único indicador de satisfacción –la recomendación-.

Pese a ello, la satisfacción sigue teniendo relevancia como indicador financiero[v], dado que a ella prestan atención los analistas y en consecuencia los inversores. Es un indicador atractivo, por su simplicidad pero sufre del mismo problema que mirar la cuenta de explotación –predice el pasado-. 

Que la satisfacción no sea un buen predictor de la lealtad no quiere decir que esta no exista –se dijo del Cid “que buen vasallo si hubiere buen señor”, lealtad sin satisfacción-Igual que se han encontrado correlatos neuronales del equity[vi], se han identificado los correlatos neuronales[vii] de la satisfacción.

La lealtad es una variable latente

Lo que sucede es que la lealtad es una variable inobservable. Y las estrategias posibles para medir una variable latente son varias, unas más potentes que otras[viii].

En lugar de mirar la satisfacción –que es una medida instantánea sin poder predictivo- habría que atender a indicadores subyacentes de cambio en el equity percibido, ponderados por la importancia del equity en función del lugar que las marcas ocupen en la definición de si mismo que hacen los clientes –atendiendo a la probable heterogeneidad de la base de clientes-, el rfm del cliente –cuanto más recientemente haya realizado una determinada operación menos probable es que cambie de proveedor (dados los searching costs, cognitive disonance y el endowment effect)– y la exposición activa o pasiva a touch points (propios y de la competencia).

Y poner estas variables en el contexto de un algoritmo de decisión tan simple como sea posible –similar al Take the Best- que hemos descrito antes.

Como criterio para seleccionar clientes prioritarios a los que aplicar un indicador construido con las variables que acabamos de indicar, la mejor guía es el share of wallet, tanto en estrategias defensivas como en estrategias agresivas.

Más detalladamente:

• El sujeto se enfrenta a un problema: predecir su comportamiento futuro en términos de probabilidad: como de probable es que en el futuro usted continúe comprando/siendo cliente de esta marca.
• El sujeto en primer lugar atenderá a su comportamiento inmediato: si soy cliente o he sido cliente recientemente continuaré siéndolo. Una parte de los clientes de pararán aquí y responderán afirmativamente que continuarán siendo clientes. Si buscan en la memoria encuentran asociaciones positivas con la marca que acaban de comprar. Estas asociaciones serán tanto más fuertes cuanto más importante sean para ellos las marcas.
• Otra parte de los clientes, responderán que no saben. Esto se puede deber a que para ellos una u otra marca es relativamente irrelevante, es decir tienen poca implicación con las marcas, y decidirán contextualmente en función del momento en que tengan que decidir. Pero también puede ser debido a que después de mirar a su comportamiento reciente han encontrado que o bien no han realizado operaciones recientes con la marca (y no se les ocurren de pronto razones suficientes para realizarlas) o si las han realizado, hay algo en la marca que no les convence, pese a que, por las circunstancias que sea, han realizado una operación con la marca, o bien han oído algo de otra marca que les hace suspender el juicio (no lo tengo claro).  
• Clientes que dicen con seguridad que no trabajarán con la marca. Estos sujetos miran a su comportamiento inmediato y ven que o bien no han realizado operaciones con la marca, o bien si las han realizado, no están satisfechos; la marca para ellos no tienen valor suficiente como para asegurar que van a seguir trabajando con ella. También puede suceder que la marca solía ser relevante en el pasado, pero de pronto experimentan que hay marcas con mayor appeal. Las asociaciones negativas con la marca, serán tanto más fuertes cuanto mayor sea la importancia que atribuyen a las marcas en su vida.

Es sabido que toda pregunta genera su propia respuesta, razón por la cual se dice que no hay malas respuestas sino preguntas estúpidas. En un contexto de entrevista, ante la pregunta de “intención de continuar siendo cliente” es improbable que el entrevistado realice todas las inferencias que acabamos de describir; más bien responderá instantáneamente con la información más saliente que en ese momento le venga a la cabeza. Esta respuesta seguramente se aproximará a la conducta más probable con un amplio margen de error en torno a ella, debido a que la pregunta no consigue recrear convenientemente el proceso de compra. En general cuanto mejor se recree el proceso de compra, mayor valor predictivo tendrá la medida de intención de continuar comprando.

El modo de simular el proceso es recrear una situación de decisión de compra, simulando un mercado. Este es uno de los recursos de la nueva economía experimental[ix].  En investigación de mercados lo más aproximado son el choice based conjoint y la creación de góndolas reales. Este enfoque está en la línea de ser reinventado simulando el entorno de compra en ordenador con técnicas de escaneo de góndolas reales o mediante realidad virtual, de momento en versiones beta.

Una técnica útil, implementable y coste-efectiva es utilizar fotografías de góndolas reales convenientemente manipuladas para construir diversos escenarios de mercado y someter a los “compradores” a varios escenarios de tarea, bajo un diseño experimental.

Cuando lo que se trata de comprar son servicios, esta técnica es de escasa utilidad.

Simular entornos de compra virtuales, si bien resulta atractivo a priori, resulta poco o nada práctico, dado que resulta imposible recrear un mercado como el que representa un lineal de supermercado.

En consecuencia para los servicios, tratar de observar conductas simuladas resulta escasamente práctico. Enfoques psicométricos de estimación de variables latentes son más prometedores (estos se requieren también –conjuntamente con eye tracking- si se quiere entender lo que sucede ante un lineal simulado, en cualquier recreación eficaz de un proceso de compra).

Y dentro de estos enfoques psicométricos, el que mejor se ajusta a la estimación de la lealtad latente, es Item Response Theory, procedimiento de estimación que partiendo de ítems que miden la variable latente, devuelve un score que sitúa al sujeto en un continuo según cuál sea su grado de lealtad.

Esta clase de modelos, con diversas variantes para diferentes aplicaciones –uni o multidimensionales, para escalas binarias o escalas tipo likert, … – presentan muchas características que los hacen deseables en la estimación de la variable lealtad.

El más interesante de todos ellos es que permiten situar a los ítems y los sujetos en la misma escala, permitiendo determinar el potencial de cada ítem para discriminar entre individuos que puntúan más o menos en la variable latente, lo cual hace posible utilizar escalas óptimas con el menor número posible de ítems.

Esta propiedad hace las estimaciones independiente de las poblaciones utilizadas para la estimación del modelo, que unido a procedimientos de segmentación basadas en clases latentes, permite alcanzar un nivel predictivo muy superior a cualquier otra técnica de las habitualmente utilizadas.

Hay otro problema, casi nunca tenido en cuenta, en la estimación de variables relacionadas con la lealtad y es el escoramiento o asimetría de las distribuciones de la mayor parte de las variables utilizadas. Esta asimetría hace inadecuado la utilización de estimadores basados en MCO –cosa que ignoran la mayor parte de las compañías de investigación[x].  IRT usa como estimador ML. Aun así conviene analizar las distribuciones de las variables y reescalarlas utilizando una estrategia basada en análisis de clases latentes y validada con fuzzy mathematical set theory, de modo que cualquier sesgo debido a la asimetría desaparezca.

Construido sobre estas bases, cualquier sisteman de scoring de bases de datos de clientes

Caso práctico

El problema

Una compañía de seguros, YYY, con varios años de operación, y con un modelo propio de segmentación de sus clientes. Durante algunos años, el modelo funcionó razonablemente bien o al menos así se valoraba.

Recientemente, una cierta revolución tuvo lugar. Por una parte aparecieron nuevos operadores en el mercado, con estrategias comerciales y publicitarias muy agresivas. Por otra parte, parecía que los clientes hubieran dejado de ser leales a la compañía o bien que estos desaparecían, lo cual amenazaba fuertemente la posición de liderazgo de la compañía. Un programa de revitalización de la marca se puso en marcha. El programa es enormemente ambicioso e implica rediseño de la oferta, reescritura de los valores de la marca, modernización del logo, y re-ingeniería de su modelo propietario de scoring de clientes. En el modelo propietario de scoring, variables como la satisfacción, el share of wallet y oportunidades de venta cruzada, tenían un peso fundamental.

Investigación

Las primeras investigaciones llevadas a cabo mostraron una primera paradoja. Las personas que continuaban siendo clientes mostraban un nivel bueno de satisfacción con la compañía, tal y como era de esperar, pero los clientes que habían abandonado la compañía en los últimos 3 meses, no mostraban un nivel de satisfacción con su compañía anterior, YYY, significativamente inferior a los que no la habían abandonado ni tampoco significativamente diferente del que mostraban con su compañía actual. Esto desafía todo el saber convencional de la compañía YYY sobre que significa gestionar clientes, dado que inicialmente habían atribuido la pérdida de clientes a ciertos problemas de servicio que habían podido detectar en los últimos meses, problemas que por otra parte, fueron resueltos con la mayor celeridad posible y con gran eficacia.

Un segundo análisis más detallado, mostró que esta explicación no daba cuenta de la salida de clientes, toda vez que entre los clientes que habían abandonado la compañía y otros que seguían fieles a la misma, el peso de quienes supuestamente habían sufrido problemas de servicio, era similar.

Así pues el problema de calidad de servicio no daba cuenta del abandono. Parecía que efectivamente podía estar relacionada con la salida de clientes, pero a través de alguna otra diferencia entre ambos tipos de clientes.

Y la diferencia se encontró: tenía que ver con la relevancia que las personas atribuían a la marca a la hora de tomar decisiones de contratación de un servicio de seguros. Y contra lo que el sentido común podría indicar, fueron las personas que atribuían más importancia a la marca y las que abandonaron en mayor proporción cuando sufrieron un problema de servicio. Dado el tiempo transcurrido y la ausencia de información en el modelo de gestión de clientes utilizado sobre equity no fue posible determinar si los abandonistas tenían un mayor o menor equity sobre la compañía YYY que los no abandonistas.

Iniciativas

Entre otras de las muchas iniciativas adoptadas por la compañía YYY está la substitución de su modelo tradicional de gestión de lealtad de cliente por otro nuevo, donde incorpora como una de sus variables primordiales, la estimación de lealtad que realiza  Clover MR, basado en los principios de diseño descritos más arriba y ajustado con un modelo IRT. Un trabajo de varios meses vista, ha permitido afinar el valor predictivo del modelo, alimentándolo con oleadas de investigación sobre la base de clientes actual y nuevos clientes, y monitorizando longitudinalmente el comportamiento de estos clientes sobre los cuales se recoge la información propia del modelo.

Los resultados recogidos a lo largo de 24 meses son altamente prometedores, dado que el nuevo modelo supera el potencial predictivo del modelo anterior en un 31,6%.

Notas

[i] Este fenómeno se ha popularizado con atractivos títulos como Anderson (2007) “The Long Tail” Random House Business Books, aunque en el caso de Anderson el objetivo está en señalar que WWW ofrece oportunidades a referencias que hasta ahora capturaban un escaso share por las dificultades de acceso. Siendo esto cierto –el barrio se vuelve global- hay fuerzas muy poderosas que conspiran en sentido contrario, como la dificultad de acceder a la información en un mundo fragmentado, que dificulta el acceso informativo a esas referencias minoritarias. El asunto está pendiente de resolver y da para una tesis doctoral.

[ii] La evolución de los ratios de divorcio ha sido uno de las pocas predicciones exitosas de la historia realizada con una presciencia de una centena de años. Gottman, Murray, Swanson, Tyson, Swanson (2005) “The mathematics of Marriage” MIT Press

[iii] Gigerenzer, Todd and the ABC Research Group (1999) “Simple heuristics that make us smart” Oxford University Press; Gigerenzer, Goldstein (1996) “Reasoning the fast and frugal way. Models of bounded rationality” Psychological Review, 103, 650-669; Gigerenzer, Hoffrage, Keinbölting (1991) “Probabilistic mental model: A Brunswikian theory of confidence”, Psychological Review, 98, 506-528; Gigerenzer (2007) “Gut Feelings” Penguin Books

[iv]De todos los intentos de utilizar la satisfacción como criterio predictivo, sin duda el más cuestionado es el Net Promoter (clientes satisfechos que lo están tanto, que están dispuestos a recomendar la marca) que pretendía nada menos que predecir el crecimiento de una compañía a partir de este indicador. El creador de este mito también es el creador de mitos tales como que “ a 5% drop in defections (does not) result in 80%+ increase in profits”, relación que nunca nadie ha podido probar, por mucho que se repita en los cursos introductorios de marketing del mundo entero y su nombre es Reichheld (1996) “The Loyalty Effect” Harvard Business School. Sobre este mito ver Keiningham, Cooil, Andreassen, Aksoy (2007) “A Longitudinal Examination of Net Promoter on Firm Revenue Growth” Journal of Marketing, 71 (July) 39-51

[v] Luo, Homburg, Wieseke (2009) “Customer Satisfaction, Analyst Stock Recommendations, and Firm Value”, Journal of Marketing Research, Forthcoming; Grewal, Chandrashekaran, Citrin (2009) “Customer satisfaction heterogeneity and Shareholder Value”, Journal of Marketing Research, Forthcoming; Fornel, Rust, Dekimpe (2008) “The effect of customer satisfaction on consumer spending growth” Journal of Marketing Research, Forthcoming;

[vi] Ver On Brands.

[vii] Plassmann, Kenning, Ahlert (2007) “Why companies should make their customers happy: the neural correlates of customer loyalty” Advances in Consumer Research 34, 1–5.

[viii] Una estrategia no muy sofisticada y lejos de los mejores estándares de la psicométrica moderna, es medirla como un constructo multivariable con muchos indicadores que miden parcialmente lo mismo y parcialmente algo distinto; en esta línea se sitúan los Ipsos Loyalty boys, preparándose, en la mejor tradición francesa, no para ganar la próxima guerra sino la que se acaba de librar –linea Maginot-  Keiningham, Cooil, Andreassen, Aksoy, Weiner (2007) “The value of different customer satisfaction and loyalty metrics in predicting customer retention, recommendation, and shareof wallet”  Managing Service Quality 17 (4) 361-384. Mellens, Dekimpe, Steenkamp (1996) “A review of brand loyalty measures in marketing” Tijdschrift voor Economie en Management 61 (4) 507-533

[ix] Tradicionalmente los estudios de los laboratorios de investigación en economía experimental utilizaban $ ó € reales. Esta práctica no siempre es necesaria de modo que esta característica define cada vez menos este tipo de estudios. Y cada vez expanden más su marco teórico, inicialmente constreñido a la teoría de juegos, a la exploración de más conductas económicas, de modo que los límites con la experimentación en psicología social, son cada vez más lábiles. Por supuesto una parte de quienes se dedican a este campo se entretienen en la discusión de tópicos exóticos, al parecer de gran relevancia teórica y ninguna práctica.

[x] Cosa que ignoran la mayor parte de las compañías de investigación de mercado. Ver como muestra la referencia de los Ipsos boys, justamente en la nota