📈 Análisis de Supervivencia: Predice Cuándo, No Solo Si#
Los modelos clásicos predicen si un cliente se va. El Análisis de Supervivencia predice cuándo. Una diferencia enorme para la retención de clientes.
🔍 ¿Qué es el Análisis de Supervivencia?#
Originado en medicina (tiempo hasta la muerte de un paciente), hoy se aplica masivamente en negocios:
- ⏱️ ¿Cuándo va a cancelar un cliente su suscripción?
- 🔧 ¿Cuándo va a fallar una máquina?
- 🛒 ¿Cuándo va a volver a comprar un usuario?
🧠 ¿Por qué no usar regresión clásica?#
Porque hay datos censurados: observaciones donde el evento todavía no ocurrió al momento de recolectar los datos. La regresión lineal simplemente los ignora, introduciendo un bias masivo.
📊 Dos modelos principales#
Kaplan-Meier — simple, visual, ideal para exploración
from lifelines import KaplanMeierFitter
kmf = KaplanMeierFitter()
kmf.fit(df['Subscription Length'], event_observed=df['Churn'])
kmf.plot_survival_function()Cox Proportional Hazard — el estándar de la industria, admite múltiples variables predictoras
💡 Resultado concreto (dataset Telco)#
Clientes sin quejas → 93.94% de retención a los 34 meses (esperan irse a los 41 meses) Clientes con quejas → 61.68% de retención (esperan irse a los 31 meses)
📌 Un cliente que se queja es 5.4 veces más propenso a cancelar.
💡 Explicación en pocas palabras#
El Análisis de Supervivencia es como predecir a qué velocidad se vacía un balde con un agujero. No solo si se vacía, sino cuándo, dependiendo del tamaño del agujero (las variables del cliente).
Más información en el link 👇
