Por Jenn Atlas
Piense en la última vez que voló en avión. ¿Cómo fue la experiencia? La mayoría de la gente probablemente puede pensar en un par de aspectos que afectarons a sus pasados vuelos, tanto de forma positiva como negativa, y finalmente dieron forma a sus satisfacción.
Cuando se trata de viajes aéreos, la satisfacción del pasajero es una métrica clave para las aerolíneas. El solo hecho de saber que sus pasajeros están satisfechos es bueno, pero saber por qué lo están, todavía es mejor. Estos conocimientos realmente pueden ayudar a una aerolínea a comprender dónde están sus puntos fuertes y dónde pueden mejorar desde la perspectiva del cliente. Vamos a verlo más de cerca.
Un estudio de satisfacción del cliente pidió a los pasajeros que calificaran su satisfacción general, junto con otros aspectos de su vuelo (por ejemplo, la ubicación del asiento, la facilidad de reserva en línea, el espacio para las piernas, el retraso de la salida en minutos). La encuesta encontró que el 54% de los pasajeros estaban satisfechos con su vuelo, lo que nos dice que, en general, la mayoría de clientes está satisfecho con su experiencia.
Entender por qué los clientes están satisfechos
Es fantástico saber que la mayoría de los clientes están satisfechos con su experiencia de vuelo. La siguientes preguntas lógicas son: ¿Por qué los clientes están satisfechos y qué separa a un cliente satisfecho de un cliente neutral/insatisfecho? La encuesta ha proporcionado muchos predictores (>15) para investigar y una gran cantidad de datos (más de 100.000 filas). Aprovechando el menú de Analítica Predictiva en la última versión de Minitab Statistical Software, podemos utilizar CART® para identificar rápidamente los impulsores clave de la satisfacción del cliente.
CART®, o Classification and Regression Trees (Árboles de clasificación y regresión), es un algoritmo de árboles de decisión que se utiliza para ayudar a encontrar patrones y relaciones importantes en las variables de los datos. Si la pregunta o el reto al que uno se enfrenta tiene una respuesta categórica binomial o multinomial, se utiliza el CART Clasificación, mientras que cualquier asunto que tenga una respuesta continua con muchos predictores categóricos o continuos debería utilizar el CART Regresión.
En esta encuesta se clasifica a los clientes en dos grupos, ya sea que estén satisfechos o no, por lo que se utiliza la Clasificación CART®. La idea principal detrás de CART es que se dividen las variables predictoras en diferentes regiones para que la variable dependiente (también conocida como variable objetivo, que en este caso es la satisfacción), pueda precedirse con mayor precisión. Minitab Statistical Software encontrará automáticamente el mejor árbol de decisiones para el usuario y proporcionará estadísticas del modelo para que pueda comprenderse si el modelo es útil.
Al analizar estos datos, el modelo predeterminado es bastante grande, lo que está perfectamente bien. Se supone que solo se desea concentrarse y comprender los impulsores clave de la satisfacción. En este caso, la gráfica de Importancia de Variable Relativa puede indicar qué predictores son las variables más importantes del árbol.
Como puede verse a continuación, el entretenimiento a bordo y la comodidad del asiento son las variables más importantes a la hora de predecir la satisfacción, seguidas de la facilidad de reserva y el soporte en línea, que también se clasificaron como muy importantes.
Flexibilidad para ajustarse a un modelo alternativo
Los árboles CART a menudo pueden ser bastante grandes. Ver un árbol más pequeño con información similiar puede ser útil, especialmente si planeamos comunicar nuestros hallazgos a otros colegas. Afortunadamente, la última versión de Minitab Statistical Software contiene una vista de modelo interactiva que permite explorar, ver y examinar modelos alternativos en una ventana adecuada.
Como puede verse a continuación, se ha seleccionado un árbol mucho más pequeño, por lo que podemos ver las variables clave y las divisiones.
Diagramas de árbol para ayudar a comprender los detalles
Ahora, al observar el árbol con más detalle, se puede ver que cuando el entretenimiento a bordo se calificó por encima de 3.5, aproximadamente el 81% de los clientes calificaron su experiencia como satisfecha.
La barra indicadora roja y azul (mostrada arriba y en cada nodo del árbol) hace que esos resultados sean fáciles de ver con el azul satisfecho y el rojo insatisfecho). Esto también ayuda a notar que cuando los clientes calificaron el entretenimiento a bordo con menos de 3.5, tendieron a estar más satisfechos si el asiento estaba cerca de la ventana o el pasillo pero muchos menos satisfechos si tenían un asiento del medio (siguiendo el camino del lado izquierdo del árbol).
Los árboles CART son muy útiles cuando se desea comprender las variables imporantes, pero también facilitan explorar las variables viendo los valores divididos en el modelo. Utilizando el árbol de arriba, las aerolíneas probablemente no se sorprenderán demasiado al saber que los clientes quieren un buen entretenimiento a bordo y un asiento cómodo, pero saber que incluso si el entretenimiento a bordo no es excelente, pueden mantener a los pasajeros satisfechos con un asiento cómodo, es un factor de conocimiento importante.
CART es una herramienta útil para la colección de herramientas analíticasya que no requiere muchas suposiciones y se puede hacer con bastantes rapidez. Si se dispone de datos que no han sido analizados porque el análisis predictivo y el aprendizaje automático parecían intimidantes, se tiene que probar CART; ahora es aún más fácil con la última versión de Minitab Statistical Software.