En 2023, Econ One fue contratada por un importante operador del sector de las aerolíneas estadounidenses para predecir con exactitud los puntos residuales que dejaban los clientes de su programa de fidelización después de canjearlos, con fines de cumplimiento de la normativa y contabilidad financiera. El cliente gestiona un amplio programa de fidelización destinado a recompensar a los pasajeros frecuentes e incentivar la retención de clientes. El cliente tenía dificultades para prever con precisión los puntos residuales que quedaban en las cuentas de los clientes tras el canje. Esta falta de precisión planteaba retos en la planificación financiera, el cumplimiento de la normativa y la contabilización de posibles pasivos asociados al canje de millas. Para hacer frente a este reto, el cliente contrató a la Dra. Amarita Natt (con amplia experiencia en la modelización de puntos pendientes mediante sofisticadas técnicas y algoritmos de aprendizaje automático) y a su equipo.

La Dra. Natt y su equipo propusieron aprovechar las técnicas de aprendizaje automático, en concreto los árboles de decisión, para desarrollar un modelo predictivo. Los árboles de decisión ofrecen interpretabilidad y pueden manejar datos tanto numéricos como categóricos, lo que los hace adecuados para este problema. Utilizando datos históricos de transacciones del programa de fidelización del cliente, el equipo entrenó un modelo de árbol de decisión para predecir los puntos residuales óptimos que dejaban los clientes tras el canje basándose en sus patrones de obtención y canje. Se utilizaron la validación cruzada y la optimización de hiperparámetros para mejorar la precisión predictiva del modelo. Se probaron variaciones en la profundidad de los árboles de decisión, así como en la elección de variables explicativas o puntos de decisión intermedios (nodos), con el fin de comprobar la sensibilidad residual a estas elecciones. El modelo con mayor precisión se eligió para interpretar los resultados sobre los residuos tras rigurosas comprobaciones de validación para evaluar la solidez del modelo y su capacidad de generalización entre distintos clientes. El modelo de árbol de decisión desplegado demostró mejoras significativas en la predicción de los puntos residuales dejados por los clientes tras el canje. Al predecir con exactitud estos puntos residuales, la aerolínea cliente pudo mejorar el cumplimiento de la normativa, agilizar la planificación financiera y mitigar los riesgos asociados al canje de millas. Además, la información derivada del modelo permitió al cliente optimizar sus ofertas de programas de fidelización y adaptar incentivos personalizados para fomentar el compromiso y la fidelidad de los clientes.