En resumen
Un filtro divide a los clientes en dos grupos: los que cumplen una condición y los que no. Un scoring los ordena: a cada cliente le asigna una puntuación según cuántas señales relevantes acumula y cuánto pesa cada una. Esa diferencia, clasificar frente a ordenar, es lo que permite priorizar cuando el presupuesto no llega a todos, combinar varias señales débiles en una fuerte y poner nombre a conceptos de negocio que ningún campo del perfil recoge por sí solo: «afinidad», «propensión», «calidad».
Este monográfico explica qué es un scoring y qué problema resuelve, cómo se diseña uno (señales, pesos, rango, validación), cómo se lee y se usa, y cómo se hace en FLYDE, con un caso guiado. El RFM, que es el scoring de serie de la plataforma, tiene su propio monográfico; aquí se trata como punto de partida de los scorings propios. Si solo te llevas una idea: un scoring es una hipótesis de negocio escrita en puntos, y como toda hipótesis hay que validarla mirando la distribución antes de usarla.
1. Qué problema resuelve un scoring
Imagina que quieres enviar una oferta de reactivación a los clientes con más probabilidad de volver, y que el presupuesto da para 5.000 personas. Tienes varias pistas: cuánto compraban antes, cuánto hace que no compran, si siguen abriendo los emails, si han devuelto productos, si viven cerca de una tienda. Ninguna pista sola decide; todas juntas sí.
Con filtros, la pregunta «¿a quién se lo mando?» se responde encadenando condiciones: compraba más de X, hace menos de Y días, engagement mayor que Z. El resultado es un grupo de un tamaño que no controlas, y en el que todos los que cumplen las condiciones parecen iguales aunque uno las cumpla por los pelos y otro de sobra. Si el grupo sale de 20.000, no sabes a cuáles de ellos elegir; si sale de 800, has dejado fuera a miles que estaban cerca.
Un scoring cambia la pregunta: en lugar de «¿quién cumple?», «¿cuánto cumple cada uno?». A cada señal se le asigna un peso, los pesos se suman y cada cliente queda con un número. Ordenas por ese número y te quedas con los 5.000 primeros. El tamaño lo decides tú, y quien tiene cuatro señales fuertes queda por delante de quien tiene una.
Eso resuelve tres problemas que los filtros no resuelven bien:
- Priorizar. Cuando no se puede impactar a todos, el scoring dice en qué orden. Es la diferencia entre «todos los que cumplen» y «los mil mejores».
- Combinar señales débiles. Haber abierto un email no dice mucho; haber abierto tres, visitado la web y añadido al carrito, sumado, sí. Un scoring convierte pistas individualmente poco concluyentes en una conclusión.
- Nombrar conceptos. «Cliente comprometido», «afín a la categoría infantil», «en riesgo de fuga», «buen candidato al programa de fidelización» no son campos del perfil; son combinaciones de campos con un criterio de negocio. El scoring les da un nombre y un número, y a partir de ahí se pueden usar como cualquier otro dato.
Scoring, filtro y modelo
Conviene situar el scoring entre sus dos vecinos. El filtro es una regla binaria sobre un campo: cumple o no cumple. El modelo predictivo es una estimación estadística entrenada sobre el histórico: probabilidad de que algo ocurra, calculada por un algoritmo que aprende los pesos solo. El scoring está en medio: combina varios campos con pesos, pero los pesos los pone una persona según su conocimiento del negocio.
Eso es a la vez su fuerza y su límite. La fuerza: es transparente (cualquiera puede leer por qué un cliente tiene 7 puntos), se construye en minutos y no necesita histórico para entrenar. El límite: los pesos son una opinión, no una medición. Un scoring bien diseñado se parece a lo que un modelo descubriría; uno mal diseñado ordena a los clientes según los prejuicios de quien lo escribió. Por eso la validación de la sección 3 no es opcional.
2. Qué es un scoring
Un scoring es una puntuación calculada para cada cliente a partir de una lista de condiciones, cada una con unos puntos asociados. Si el cliente cumple la condición, suma (o resta) esos puntos; el total es su score. Cuatro piezas lo definen.
Las condiciones
Cada condición es una pregunta con respuesta sí o no sobre un dato del perfil: ¿su último Monetary Score es 3? ¿Su engagement actual supera 5? ¿Ha devuelto algún producto? ¿Tiene más de 100 puntos de fidelización? Los datos pueden ser de cualquier tipo: comportamiento de compra, scorings previos (incluido el RFM y sus componentes), engagement, datos del cliente, predicciones de los modelos, lealtad. Lo importante es que cada condición apunte a una señal con significado de negocio, no a un campo porque está disponible.
Los puntos
A cada condición se le asignan puntos, que pueden ser positivos o negativos. El signo dice si la señal acerca o aleja del concepto que se mide; la magnitud dice cuánto. Que «Monetary Score = 3» valga 5 puntos y «ha abierto el último email» valga 2 es afirmar que el valor pasado pesa dos veces y media más que el engagement reciente. Esa relación es la hipótesis de negocio, y es lo que hay que poder defender.
El rango
Sumando todos los puntos positivos posibles se obtiene el máximo del scoring; sumando los negativos, el mínimo. Entre ambos está el rango en el que se moverán los clientes. Conocerlo es imprescindible para leer un valor: un 7 significa cosas distintas en un scoring de 0 a 10 y en uno de −5 a 25.
La audiencia y el recálculo
Un scoring se calcula sobre toda la base o sobre una audiencia concreta, y se recalcula con la periodicidad que se le configure. Un scoring de propensión a la reactivación solo tiene sentido sobre los clientes inactivos; calcularlo sobre toda la base mezcla a quien compró ayer con quien no compra desde hace un año y diluye la lectura. Y un scoring que usa datos que cambian a diario (engagement, navegación) necesita recalcularse más a menudo que uno basado en el RFM, que cambia por periodo.
Tipos de scoring
En la práctica se encuentran tres familias, y conviene saber en cuál se está:
| Familia | Quién pone los pesos | Ejemplos | Cuándo usarla |
|---|---|---|---|
| Scoring de serie (RFM) | La plataforma, con cuartiles relativos | Recencia, frecuencia, monetario y su suma | Siempre: es el punto de partida para valor y actividad |
| Scoring propio | La empresa, por condiciones y puntos | Engagement, afinidad por categoría, propensión a reactivación, calidad del dato, elegibilidad para un programa | Cuando el concepto es de negocio y las señales son conocidas |
| Puntuación predictiva | Un modelo, aprendido del histórico | Probabilidad de churn, de próxima compra, CLTV previsto | Cuando hay histórico suficiente y el concepto es una probabilidad |
Las tres se combinan: un scoring propio puede usar como condición el RFM y la probabilidad de churn, y una audiencia puede filtrar por los tres a la vez. Lo que no conviene es duplicar: si ya existe una probabilidad de churn calculada por un modelo, un scoring propio de «riesgo de fuga» hecho a mano suele ser peor.
3. Cómo diseñar un scoring
Un scoring se diseña en seis pasos. Los cuatro primeros se hacen en papel; los dos últimos, en la plataforma.
Paso 1. El concepto y la decisión
Qué mide el scoring, en una frase, y qué decisión va a tomar alguien con él. «Propensión a volver a comprar entre los clientes inactivos, para elegir a quién mandar la campaña de reactivación.» «Afinidad por la categoría de novela negra, para decidir a quién recomendar las novedades.» Si no hay una decisión al final, no hace falta un scoring: hace falta un informe.
Paso 2. Las señales
Qué datos del perfil indican que un cliente tiene más o menos de ese concepto. Conviene listar entre cuatro y ocho señales, con su signo, y descartar las que midan lo mismo dos veces (gasto total y ticket medio alto suelen ir juntos; puntuar ambos cuenta el valor dos veces). Para cada señal, una frase que explique por qué está: «las devoluciones restan porque un cliente que devuelve mucho vuelve menos».
Paso 3. Los pesos
Cuánto vale cada señal. Tres reglas que ahorran discusiones:
- Empezar por la señal más importante con el peso más alto y escalar el resto respecto a ella. Si el valor pasado es lo decisivo, vale 5; una señal que importa la mitad vale 2 o 3.
- Pocos niveles de peso. Con tres magnitudes (5, 3, 1) se expresa casi todo; afinar a 4,5 frente a 4 es precisión falsa.
- Los negativos existen. Una señal que aleja del concepto resta, no «vale cero». Un scoring sin ningún negativo suele tener una señal mal pensada.
Paso 4. El rango y los umbrales
Con las señales y los pesos, calcular el máximo y el mínimo y decidir de antemano qué valores van a significar qué: a partir de cuánto se considera «alta propensión», por ejemplo. Un criterio razonable es que la banda alta no supere el 20 % o 25 % de la audiencia; si la mitad de los clientes acaban en la banda alta, el scoring no discrimina.
Paso 5. Calcular y mirar la distribución
Es el paso que casi nadie da y el que separa un scoring útil de uno decorativo. Una vez calculado, mirar cuántos clientes caen en cada valor. Lo que se busca es una distribución que separe: pocos arriba, pocos abajo, muchos en medio. Lo que suele aparecer la primera vez es otra cosa:
- Todos en los mismos dos o tres valores: las señales no discriminan o los pesos son demasiado parecidos.
- Casi nadie en la banda alta: una condición es demasiado exigente y nadie la cumple.
- Un pico en el máximo: dos señales van siempre juntas y se están contando dos veces.
Cada uno de esos patrones tiene una corrección (ajustar un umbral, retirar una señal redundante, cambiar un peso) y, tras corregir, se vuelve a calcular y a mirar. Dos o tres vueltas suelen bastar.
Paso 6. Validar contra la realidad
Un scoring predice algo (que volverán a comprar, que les interesará una categoría). Pasado un tiempo, se comprueba si los de score alto lo hicieron más que los de score bajo. Si no hay diferencia, el scoring no mide lo que creía medir y hay que volver al paso 2. Si la hay, se puede ir ajustando pesos en la dirección que los datos indiquen. Es la forma de que un scoring de opinión se vaya pareciendo a un modelo.
Errores típicos
- Puntuar lo disponible, no lo relevante. Meter diez condiciones porque los campos existen. Cada señal tiene que tener una razón.
- Contar dos veces. Señales correlacionadas (gasto total, ticket medio, CLTV) que inflan el score de los mismos clientes.
- Sin negativos. Un scoring que solo suma no distingue al buen candidato con una señal de alarma del que no la tiene.
- No mirar la distribución. Dar por bueno el scoring porque las condiciones «tienen sentido», sin comprobar que separa.
- Umbrales a posteriori. Decidir qué es «alto» después de ver quién sale arriba, para que salga quien se quería.
- Recálculo inadecuado. Un scoring de engagement recalculado una vez al mes está siempre viejo; uno basado en RFM recalculado cada hora no cambia nunca y consume recursos.
- Scoring sin uso. El que se crea, se calcula y nadie filtra por él. Si no alimenta una audiencia o una decisión, sobra.
4. Cómo se lee y se usa
Leer la distribución
Lo primero que se mira de un scoring no es el valor de un cliente sino el reparto de todos: cuántos hay en cada puntuación. Esa distribución dice si el scoring discrimina (sección 3), dónde están los cortes naturales y cuánta gente hay en la banda que interesa. Un scoring se lee como una pirámide: la decisión suele estar en la punta.
Convertirlo en audiencias
El uso principal de un scoring es filtrar: «scoring de propensión mayor o igual a 8» es una condición de audiencia como cualquier otra, y se combina con el resto (tipo de usuario, RFM, geografía). Dos patrones habituales:
- Por umbral. Todos los que superan un valor. Sirve cuando el concepto tiene un corte natural («elegible para el programa» a partir de X puntos).
- Por ranking. Los N mejores, con un límite sobre la audiencia ordenada por el scoring. Sirve cuando manda el presupuesto o la capacidad («los 5.000 con más propensión»).
Combinar con el RFM
El RFM dice cuánto vale y cuán activo es un cliente; un scoring propio añade la dimensión que el RFM no tiene: afinidad, engagement, riesgo, elegibilidad. Las audiencias más precisas cruzan los dos: «RFM previo alto, último a cero y propensión a reactivación alta» es un segmento mucho más pequeño y mucho mejor que cualquiera de las tres condiciones por separado.
Seguirlo en el tiempo
Un scoring recalculado periódicamente es también un indicador: cuántos clientes suben, cuántos bajan, cómo se desplaza la distribución. Un scoring de engagement cuya media cae mes a mes es una alarma anterior a la caída de ventas. Esa lectura requiere que el scoring se mantenga estable: cambiar las condiciones cada mes hace imposible comparar.
5. Cómo se hace en FLYDE
Los scorings propios se crean, se calculan y se consultan en Market › Scoring, y se usan como filtro en Market › Audiencia. Esta sección explica cómo está resuelto cada paso de la sección 3; los pasos detallados están en los artículos del centro de ayuda. Las capturas son del entorno de demostración Demo.
5.1 El listado y el RFM de serie
Market › Scoring lista los scorings propios del negocio, con su seguridad (público o por grupos) y los grupos que lo ven, y para cada uno tres acciones: ver, estadísticas y eliminar. + NUEVO SCORING abre la creación.
El RFM no aparece en este listado porque no es un scoring propio: lo calcula la plataforma por periodo de facturación cerrado, con cuartiles relativos, y queda disponible directamente como filtro de audiencia (Último y previo Recency, Frequency, Monetary y RFM Score) y como condición dentro de los scorings propios. Su lectura de conjunto está en Market › Análisis RFM. Lo mismo ocurre con el engagement score, que la plataforma calcula a partir de los impactos y respuestas y ofrece como filtro (Customer engagement score actual y anterior).
Figura 1. Market › Scoring: el listado de scorings propios.
5.2 Crear un scoring
La pantalla Configura el scoring recoge las piezas de la sección 2 en este orden:
| Campo | Qué es | Corresponde a |
|---|---|---|
| Nombre y descripción | Cómo se llamará el scoring y para qué sirve, en una frase | El concepto y la decisión (paso 1) |
| Seguridad | Público o restringido a grupos de usuarios | Quién puede verlo y usarlo |
| ¿A qué audiencia quieres que se aplique? | Toda la base o una audiencia concreta | El ámbito del scoring (sección 2) |
| ¿Qué días y a qué horas quieres ejecutar la conexión? | La programación del recálculo | La periodicidad (sección 2) |
| Configura las condiciones | La lista de condiciones con sus puntos | Las señales y los pesos (pasos 2 y 3) |
| Scoring mínimo y máximo | Calculados automáticamente a medida que se añaden condiciones | El rango (paso 4) |
Cada condición se añade con + AÑADIR CONDICIÓN y tiene cuatro partes: el campo del perfil, la condición (igual a, mayor que, menor que, nulo, no nulo…), el valor y el score, que admite números positivos y negativos. El selector de campo ofrece el mismo inventario que los filtros de audiencia, agrupado por categorías: tipo de usuario, datos del cliente, comportamiento de compra, valor, scorings (incluidos los componentes del RFM y el engagement), predicciones, lealtad y navegación. Al guardar cada condición, la plataforma actualiza el mínimo y el máximo del scoring, de modo que el rango se ve mientras se diseña.
Figura 2. Configura el scoring: datos generales, audiencia a la que se aplica y programación del recálculo.
Figura 3. Las condiciones del scoring, con sus puntos, y el rango calculado (−3 a 8).
GUARDAR crea el scoring y programa su cálculo. Hasta que se ejecuta por primera vez no hay valores.
5.3 Leer las estadísticas
El icono de estadísticas de cada scoring abre la relación entre número de usuarios y puntuación: la distribución de la sección 4. Es la pantalla del paso 5 del diseño: aquí se ve si el scoring separa o si todos caen en los mismos valores, y a partir de ella se ajustan condiciones y pesos. Conviene volver a ella después de cada cambio y, una vez estable, de vez en cuando, para seguir cómo se desplaza.
Figura 4. Estadísticas del scoring «Propensión a reactivación» tras su primer cálculo: número de usuarios por puntuación.
5.4 Usarlo en audiencias
Una vez calculado, el scoring aparece en Market › Audiencia como categoría de filtro (Scoring), con las mismas condiciones que cualquier campo numérico. Los dos patrones de la sección 4 se construyen así: por umbral, un filtro «Scoring mayor o igual a X»; por ranking, el filtro que interese seguido de ESTABLECER LÍMITE con el scoring como campo a limitar y ordenación de mayor a menor. El embudo muestra en cada paso cuántos clientes quedan.
5.5 Preguntar a Brain
Market Talks responde sobre scorings sin abrir las estadísticas. Algunas preguntas útiles:
- ¿Cómo se distribuyen los clientes del scoring de propensión a reactivación?
- ¿Qué CLTV medio tienen los clientes con el scoring de afinidad infantil por encima de 6?
- ¿Cuántos clientes han subido de scoring de engagement respecto al mes pasado?
- Crea una audiencia con los 2.000 clientes de mayor scoring de propensión que no estén en la audiencia de control.
6. Caso guiado: un scoring de propensión a la reactivación
El caso continúa el de los monográficos de segmentación e incrementalidad, en el entorno de demostración Demo: existe una audiencia «Win-back alto valor» con los 86 clientes que tenían un RFM de 6 o más en el periodo anterior y no han comprado en el actual. El scoring va a ordenarla, para que la campaña de reactivación empiece por quien tiene más probabilidad de volver.
Paso 1. Concepto y decisión
Concepto: propensión a volver a comprar entre los clientes inactivos de alto valor. Decisión: en qué orden contactarlos y, si el presupuesto no llega a todos, con quién empezar.
Paso 2. Señales y pesos
Tres señales para empezar, con su razón y su peso. Un scoring de producción llevaría más (engagement reciente, saldo de puntos, probabilidad de churn), pero conviene arrancar con pocas, mirar la distribución y añadir después:
| Señal | Condición | Puntos | Por qué |
|---|---|---|---|
| Valor pasado | Monetary Score Previo igual a 3 | +5 | El cliente que gastaba mucho tiene más que recuperar y más hábito |
| Hábito pasado | Frequency Score Previo igual a 3 | +3 | Compraba muchos días distintos: la relación era regular |
| Devoluciones | Total de devoluciones mayor que 2 | −3 | Quien devuelve mucho vuelve menos y cuesta más |
Rango: de −3 a 8. Umbral previsto para «alta propensión»: 5 o más (es decir, al menos la señal de valor pasado y ninguna devolución excesiva).
Paso 3. Crearlo en FLYDE
En Market › Scoring › + NUEVO SCORING: nombre «Propensión a reactivación», descripción en una frase, seguridad pública, audiencia «Win-back alto valor» (el scoring solo tiene sentido sobre los inactivos), recálculo los lunes a las 04:00, y las tres condiciones de la tabla, una a una. La plataforma muestra el mínimo −3 y el máximo 8 al terminar (figuras 2 y 3). GUARDAR.
Paso 4. Mirar la distribución
Tras el primer cálculo, el icono de estadísticas muestra cuántos clientes hay en cada puntuación (figura 4). Lo que se busca: que la banda de 5 o más no supere la cuarta parte de la audiencia y que haya clientes repartidos por debajo. En esta audiencia hay un riesgo concreto: se definió con RFM previo ≥ 6, así que muchos de sus miembros tendrán Monetary y Frequency previos a 3 y caerán juntos en 8. Si la distribución lo confirma, las dos primeras señales no discriminan dentro de este grupo y conviene sustituir una por algo que sí separe, como el engagement reciente o los puntos de lealtad. Dos vueltas de ajuste suelen bastar.
Paso 5. Convertirlo en orden de contacto
En Market › Audiencia, se duplica «Win-back alto valor» y se añade el filtro Scoring «Propensión a reactivación» mayor o igual a 5: es la primera oleada de la campaña, los de alta propensión. Si el presupuesto manda, en lugar del umbral se usa ESTABLECER LÍMITE con el scoring como campo y ordenación de mayor a menor, y el número que se pueda pagar. El control del test de incrementalidad se sortea igual que en el caso de segmentación, sobre esta audiencia ordenada.
Paso 6. Validar
A las ocho semanas, la pregunta a Brain es directa: ¿qué tasa de compra han tenido los clientes con propensión 5 o más frente a los de menos de 3? Si la diferencia es clara, el scoring funciona y se mantiene; si no, se revisan las señales. Es el paso 6 del diseño, y el que convierte el scoring en algo mejor que una opinión.
Lo que se ha hecho, en una línea
Un concepto de negocio, tres señales con sus pesos, un scoring calculado sobre la audiencia correcta, una distribución por revisar y una audiencia ordenada por él. La campaña de reactivación ya no sale a «todos los dormidos de alto valor», sino a los que tienen más probabilidad de despertar.
Anexos
Glosario
- Condición: pregunta sí/no sobre un dato del perfil que, si se cumple, suma o resta puntos.
- Distribución: reparto de los clientes por puntuación; lo primero que se mira de un scoring.
- Engagement score: puntuación de serie de FLYDE a partir de los impactos recibidos y la respuesta a ellos.
- Peso (score de una condición): puntos, positivos o negativos, que aporta una condición.
- Rango: mínimo y máximo posibles de un scoring, calculados a partir de sus condiciones.
- RFM: scoring de serie de FLYDE sobre recencia, frecuencia y valor, por periodo de facturación cerrado.
- Scoring propio: puntuación definida por el negocio como lista de condiciones con puntos.
- Umbral: valor a partir del cual un scoring se considera alto, decidido antes de calcular.