Desafíos
La institución gestionaba cientos de miles de afiliados y reaccionaba a la desafiliación sólo después de que ocurría, perdiendo a clientes valiosos. Identificar patrones de fuga manualmente era imposible dada la existencia de más de 20 millones de registros con 153 variables por afiliado. Se requería un modelo proactivo para segmentar afiliados según rentabilidad y riesgo de desafiliación y priorizar acciones de retención.
La Solución con AWS
Se ejecutó una POC en AWS que migró 20 millones de registros a Amazon S3 y empleó Amazon SageMaker para aplicar técnicas de clustering (K‑Means). El pipeline procesó variables demográficas, transaccionales y de uso de prestaciones, generando cuatro segmentos de clientes con características y riesgos diferenciados. Los resultados se visualizan en dashboards para que nuestro cliente oriente campañas preventivas de retención y upsell.
Los Beneficios Obtenidos
El modelo identificó cuatro segmentos: Activos Leales, Riesgo Alto, Potenciales en Crecimiento y Silenciosos de Bajo Retorno. Permitió detectar un segmento de afiliados muy rentables pero con baja interacción, al que se pueden dirigir campañas proactivas para evitar la desafiliación. También reveló oportunidades de upsell en segmentos jóvenes receptivos. Aunque se trató de una POC, se proyecta que la aplicación productiva del modelo reducirá la desafiliación al menos un 15 % y aumentará la rentabilidad al priorizar recursos en los clientes adecuados. Cada afiliado ahora cuenta con un indicador de riesgo que guía decisiones de negocio.
Servicios de AWS utilizados
- Amazon SageMaker
- Amazon Bedrock
- Amazon S3
- AWS Lambda
- Amazon QuickSight