Prevención de churn prediciendo los días entre órdenes

Rappi ofrece sus servicios a millones de usuarios a través de toda Latinoamérica, cada una frecuencia de compra independiente y un estilo de consumo particular. Uno de los objetivos es mantener el número de usuarios activos y la frecuencia de compra de estos, en Rappi se implementan diferentes estrategias de prevención de churn personalizadas. Con el objetivo de optimizar el presupuesto de mercado y preservar la relevancia de nuestros incentivos se implementó una modelo para identificar la frecuencia de compra promedio de todos los usuarios y la probabilidad de que estos la pierdan. La metodología consiste en dos modelos de aprendizaje de máquinas: el primero calcula los días promedio entre cada compra y el segundo estima en cuantos días el usuario va a volver a comprar; ambos se hacen para todos los usuarios así tenga solo 1 compra.Con ambos modelos se prioriza a usuarios con alta probabilidad de reducir su frecuencia y se decide qué tipo de campaña de mercadeo mandarle.

Alejandro Andrade. Economista y administrador de empresas de la Universidad de los Andes con estudios en finanzas en la universidad Grenoble Ecole de Management en Francia. Durante dos años y medio se desempeño como investigador en matemáticas financieras en la empresa de consultoría Quantil donde ha trabajado en proyectos de cuantifación de riesgo de mercado, liquidez, cobertura cambiaria y valoración de derivados para empresas como Ecopetrol, Ministerio de Hacienda, Constructora Colpatria entre otras. En el 2018 Participó en el desarrollo del modelo gestión de deuda de mediano plazo del Ministerio de Hacienda y fue profesor asistente del curso Riesgo y Valoración de Derivados de la Maestría en Economía de la Universidad de los Andes. Actualmente trabaja como data scientist en área de growth en Rappi donde ha desarrollado modelos de machine learning para prevención de churn, segmentación de usuarios y forecasting de ordenes.