miiPiense en la última vez que voló en un avión. ¿Cómo fue esa experiencia? La mayoría de las personas probablemente pueden pensar en un par de aspectos que influyeron en sus vuelos anteriores, tanto positiva como negativamente, y que al final determinaron su nivel de satisfacción.
Cuando se trata de viajes aéreos, la satisfacción de los pasajeros es una métrica clave para las aerolíneas. El solo hecho de saber que sus pasajeros están satisfechos ya es bueno, pero saber por qué están satisfechos es aún mejor. Esta información realmente puede ayudar a una aerolínea a entender dónde están sus fortalezas y dónde pueden mejorar desde la perspectiva de sus clientes. Echemos un vistazo 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, comodidad del asiento, facilidad de reserva en línea, espacio para las piernas, demoras en salidas y llegadas en minutos). Esta encuesta reveló que el 54% de los pasajeros estaban satisfechos con su vuelo, lo que nos dice que, en general, la mayoría de los clientes están satisfechos con su experiencia.
Es magnífico saber que la mayoría de los clientes están satisfechos con su experiencia de vuelo. Las siguientes preguntas lógicas son: ¿por qué están satisfechos los clientes y qué distingue a un cliente satisfecho de un cliente neutral o insatisfecho? La encuesta identificó muchos predictores (>20) que conviene investigar y una gran cantidad de datos (más de 100.000 filas). Aprovechando el menú Analítica predictiva de la versión más reciente de Minitab Statistical Software, podemos usar CART® para identificar rápidamente los factores clave que determinan la satisfacción del cliente.
CART®, o Árboles de clasificación y regresión, es un algoritmo de árbol de decisión que se utiliza para ayudar a encontrar patrones y relaciones importantes en las variables de los datos. Si la pregunta o desafío al que se enfrenta tiene una respuesta categórica binomial o multinomial, utilice la CART Clasificación, mientras que para cualquier cosa que tenga una respuesta continua con muchos predictores categóricos o continuos se debe usar la Regresión CART.
En esta encuesta, categorizamos a los clientes en dos grupos, satisfechos o neutrales/insatisfechos, por lo que usaremos la Clasificación CART. La idea principal del algoritmo CART es dividir las variables predictoras en diferentes regiones para que la variable dependiente (también conocida como la variable objetivo, que en este caso es la satisfacción) se pueda predecir con mayor precisión. Minitab Statistical Software encontrará automáticamente el mejor árbol de decisión para usted y proporcionará los parámetros estadísticos del modelo, para que usted sepa si el modelo es útil.
Al analizar estos datos, el modelo predeterminado es bastante grande, lo que es completamente normal. Supongamos que usted en realidad solo quiere centrarse en los factores clave de la satisfacción y lograr entenderlos. En ese caso, la gráfica Importancia relativa de las variables puede indicarle los predictores que son las variables más importantes para el árbol.
Como puede ver a continuación, el entretenimiento a bordo y la comodidad del asiento son las variables más importantes a la hora de predecir la satisfacción, seguidas por la facilidad de reserva en línea y el servicio de soporte en línea, que también se clasificaron como muy importantes.
Con frecuencia, los árboles CART pueden ser bastante grandes. Visualizar un árbol más pequeño con información similar puede ser útil, sobre todo si planeamos comunicar nuestros hallazgos a otras personas. Por suerte, la versión más reciente de Minitab Statistical Software contiene una vista interactiva de modelos que nos permite explorar, ver y examinar modelos alternativos en una ventana conveniente.
Como puede ver a continuación, se seleccionó un árbol mucho más pequeño para poder visualizar las variables y divisiones claves.
Ahora, mirando el árbol con más detalle, podemos ver que cuando la calificación del entretenimiento a bordo es superior a 3,5, aproximadamente el 81% de los clientes califican su experiencia como satisfactoria.
La barra indicadora roja y azul (que se muestra arriba y en cada nodo del árbol) hace que esos resultados sean fáciles de ver, ya que el azul representa “satisfecho” y rojo significa “neutral/insatisfecho”. Esto también le ayuda a notar que cuando los clientes calificaron el entretenimiento a bordo con menos de 3,5, tendían a estar más satisfechos si la comodidad del asiento era alta, pero mucho menos satisfechos si la comodidad del asiento era baja (siga el camino en el lado izquierdo del árbol).
Los árboles CART son muy útiles cuando se desea identificar las variables importantes, pero también hacen que sea fácil explorar las variables visualizando los valores de las divisiones en el modelo. Al examinar el árbol anterior, puede que las aerolíneas no se sorprendan mucho al ver que los clientes desean un buen entretenimiento a bordo y un asiento cómodo, pero saber que pueden mantener a los pasajeros satisfechos con un asiento cómodo, incluso si el entretenimiento a bordo no es fabuloso, es un hallazgo importante.
CART es una herramienta útil en su caja de herramientas de análisis, ya que no requiere muchos supuestos y se puede hacer con bastante rapidez. Si tiene datos que no ha analizado porque la analítica predictiva y el aprendizaje de máquina le parecen demasiado intimidantes, pruebe con CART, que es incluso más fácil ahora en la nueva versión de Minitab Statistical Software.