30 de septiembre de 2026
Modelado de Puntuación de Propensión de Compra mediante Regresión Logística: Un Estudio de Caso en una Empresa del Sector Alimentario
Modelado de Puntuación de Propensión a la Compra Mediante Regresión Logística: un Estudio de Caso en una Empresa del Sector Alimentario
André Fernandes Pimenta; Ricardo Franceli da Silva
DOI: 10.22167/2675-6528-202602668
Artículo derivado del Trabajo de Conclusión de Curso (TCC), con contenido basado en el trabajo original del alumno y adaptado al formato editorial de la Revista E&S con el apoyo de la herramienta ResumeAI, solución de inteligencia artificial desarrollada por el Instituto Pecege para síntesis y organización textual.
Resumen
En el competitivo contexto del mercado business-to-business (B2B), la identificación de clientes con alta probabilidad de compra representa un diferencial estratégico para la eficiencia de la gestión comercial. El estudio tuvo como objetivo desarrollar un modelo de puntuación de propensión a la compra, utilizando regresión logística, aplicado a datos históricos de ventas, relaciones y características de clientes de una empresa del sector alimentario que opera en el canal Food Service, específicamente en la ciudad de São Paulo. La metodología implicó etapas de extracción, tratamiento e ingeniería de variables, seguidas del entrenamiento del modelo y su evaluación mediante métricas consagradas de desempeño predictivo, como precisión, AUC-ROC y F-score. Los datos se separaron en conjuntos de entrenamiento (80%) y prueba (20%), y las variables se seleccionaron mediante procedimiento stepwise. Los resultados demostraron una elevada capacidad discriminatoria y un buen equilibrio entre precisión y sensibilidad, indicando que el modelo ordenó eficientemente a los clientes según su probabilidad estimada de compra. La precisión global alcanzó el 84%, y el área bajo la curva ROC fue de aproximadamente 0,90. Se concluyó que la puntuación generada es un instrumento relevante para apoyar decisiones de priorización de clientes, segmentación de la cartera y direccionamiento de acciones comerciales, optimizando recursos y promoviendo una estrategia B2B orientada por datos.
Palabras clave: Análisis predictivo; Aprendizaje supervisado; Inteligencia de Ventas; Optimización comercial; Segmentación de clientes.
1. Introducción
El conocimiento profundo y la clasificación precisa de la base de clientes son elementos fundamentales para la estrategia y la planificación comercial de las empresas. Sin embargo, es frecuente que las acciones de retención se implementen sin criterios analíticos bien definidos, lo que resulta en el tratamiento homogéneo de clientes que son, en realidad, heterogéneos (Kotler & Keller, 2016; Reichheld, 1996).
En este escenario, la ausencia de un enfoque diferenciado para la gestión de las relaciones con el cliente puede comprometer la eficiencia comercial. Los modelos predictivos de clasificación de clientes surgen como una solución estratégica, permitiendo la diferenciación de la base, el direccionamiento eficaz de acciones, la reducción de costos operativos y el aumento de la retención de clientes (Neslin et al., 2006; Verbeke et al., 2012). La literatura de marketing clásica ya destaca que la retención de clientes es económicamente más ventajosa que la adquisición de nuevos, con el costo de adquisición siendo de cinco a siete veces mayor que el de mantenimiento (Kotler, 2015). Además, los clientes recurrentes demuestran una probabilidad de recompra entre el 60% y el 70%, mientras que los nuevos consumidores presentan una probabilidad significativamente menor, entre el 5% y el 20% (Hull, 2013).
Entre las aproximaciones predictivas, los modelos de propensión son técnicas de aprendizaje automático ampliamente utilizadas en contextos de Customer Relationship Management (CRM). Se desarrollan para estimar la probabilidad de que un cliente realice una acción específica, como una compra o recompra (Provost & Fawcett, 2013; Ngai et al., 2009). La discusión sobre modelos de propensión es vasta en la literatura académica, siendo reconocidos como herramientas esenciales para predecir comportamientos y apoyar estrategias de retención y segmentación en marketing (Guenther et al., 2025). En el contexto actual de Big Data, donde grandes volúmenes de datos transaccionales, firmográficos y coyunturales se generan y capturan constantemente, se vuelve crucial la selección de los datos más relevantes y con mayor poder explicativo para el evento analizado, por medio de filtrado y agrupaciones.
La necesidad de herramientas que capaciten a las empresas a conocer a sus clientes y a soportar acciones de retención es evidente. En el contexto de la empresa del sector alimentario estudiada, activa en el canal Food Service, se constató que el comportamiento de “churn” – clientes que dejaron de comprar – en la ciudad de São Paulo resultó en un impacto económico de cuatro millones de reales en 2025 en margen de contribución no realizado. La retención de clientes es, por lo tanto, una pieza clave en la gestión comercial, previniendo el efecto negativo en la cartera y promoviendo la estabilidad necesaria para el crecimiento a largo plazo. La segmentación de clientes, por su parte, permite la priorización del enfoque comercial y la asignación eficiente de recursos, como fondos de marketing, visitas del equipo de ventas y concesión de descuentos. La construcción de un score de propensión a la compra atiende a esta necesidad, permitiendo que las decisiones sean orientadas por datos.
Ante este escenario y la relevancia estratégica de la identificación de clientes con mayor propensión a la compra, el objetivo de esta investigación fue construir un modelo predictivo capaz de informar la propensión a la compra en el mes siguiente (M+1) para los clientes del Food Service de la ciudad de São Paulo de la empresa estudiada.
2. Material y Métodos
La investigación se caracterizó como un estudio de caso de naturaleza cuantitativa, con un enfoque predictivo. El objetivo central fue construir un modelo de puntuación de propensión a la compra para clientes del canal Food Service de una empresa del sector alimentario, específicamente en la ciudad de São Paulo, con el fin de estimar la probabilidad de compra en el mes siguiente (M+1).
La unidad de análisis consistió en clientes activos de la empresa estudiada, que opera en el canal Food Service en la ciudad de São Paulo. El horizonte temporal de los datos abarcó 21 meses, de julio de 2024 a marzo de 2026. La base de datos inicial contenía 67.389 registros referentes a 3.209 clientes, que fueron filtrados a 64.180 registros tras la eliminación de valores faltantes en la variable objetivo.
Los datos se extrajeron de bases internas de la compañía (BI Empresa y SAP Empresa) y de fuentes externas, como la Receita Federal, el Banco Central y el Instituto Brasileño de Geografía y Estadística (IBGE). Para la geolocalización de los clientes por distrito, se utilizó la API de Tomtom. Se recopilaron datos transaccionales de ventas, devoluciones y reclamaciones, además de información firmográfica, geográfica y macroeconómica.
La etapa inicial implicó la extracción y el *data wrangling* de los datos, utilizando el software Alteryx para recopilar, tratar, integrar y modelar la información de forma visual. Los archivos de diferentes repositorios fueron unidos y transformados en un único archivo con extensión `.yxdb`, consolidando la base para la construcción de las variables.
Se identificaron los clientes objeto de estudio, que eran los clientes del canal Food Service en la ciudad de São Paulo con estado registral “Activo” en la Receita Federal, conforme el *release* de febrero de 2026. La base transaccional de volúmenes facturados y devueltos se filtró para estos clientes, y la base de pedidos se integró para obtener información de frecuencia y ticket promedio.
Se construyeron variables de proporción de portafolio, como “Harina_Proporción”, “Premezcla_Proporción” y “Complemento_Proporción”, indicando el porcentaje de cada categoría de producto vendido. Otras variables transaccionales creadas incluyeron “Recencia” (tiempo desde el último movimiento) y “Mix Comprado” (diversidad de artículos adquiridos). La variable objetivo, “Target_Compra_M1”, indicó la compra en el mes siguiente.
La construcción del modelo de propensión a la compra se realizó en Google Colaboratory (Google Colab), utilizando códigos Python. El *dataset* se dividió en conjuntos de entrenamiento (80%, 51.344 registros) y prueba (20%, 12.836 registros) de forma aleatoria y estratificada, empleando la función `sklearn.modelselection.train_test_split`.
Para mitigar la fuga de datos, se excluyeron las variables identificadoras (`Cliente_ID`) y los campos temporales auxiliares. La variable objetivo `Target_Compra_M1` se segregó antes del entrenamiento, y el preprocesamiento se implementó a través de un *pipeline* para estimar parámetros de estandarización exclusivamente a partir de los datos de entrenamiento.
Se aplicó un tratamiento específico a la columna “Recencia”, donde los valores de 999, que indican ausencia de movimiento, fueron sustituidos por un *flag* “Sin_Historial” y la imputación de la recencia máxima observada. Las variables numéricas se estandarizaron mediante la técnica *z-score*, utilizando la función `StandardScaler()` de la biblioteca `scikit-learn`, para igualar sus escalas.
La selección de las variables más relevantes para el modelo se realizó mediante el procedimiento *stepwise*. El algoritmo de Regresión Logística se empleó para estimar la probabilidad de compra, siendo un método estadístico adecuado para analizar la relación entre variables explicativas y una variable dependiente categórica binaria (Fávero et al., 2017).
El modelo fue evaluado utilizando métricas de desempeño predictivo, como precisión, sensibilidad (*recall*), F1-score y el área bajo la curva ROC (AU-ROC). Para el cálculo de estas métricas, se adoptó un *threshold* operacional de 0,5, considerando la ausencia de costos asimétricos significativos entre falsos positivos y falsos negativos en la predicción.
3. Resultados y Discusión
Los resultados del modelado de puntuación de propensión a la compra, desarrollado mediante regresión logística y selección de variables por el método stepwise, evidenciaron un desempeño predictivo robusto y consistente. De las 148 variables inicialmente consideradas en el dataset, 50 fueron seleccionadas como las más relevantes para predecir el comportamiento de compra en el mes siguiente. La precisión global del modelo alcanzó el 84%, indicando que la gran mayoría de las observaciones fueron correctamente clasificadas, tanto para clientes que efectuaron la compra como para aquellos que no lo hicieron, demostrando un buen ajuste a los datos analizados y un equilibrio entre los errores de clasificación.
La capacidad discriminatoria del modelo se vio reforzada por el análisis de la curva ROC, que presentó un Área Bajo la Curva (AUC-ROC) de aproximadamente 0,90. Este valor se considera excelente en problemas de clasificación binaria, lo que sugiere que el modelo tiene aproximadamente un 90% de probabilidad de asignar una puntuación más alta a un cliente que efectivamente realiza una compra en comparación con un cliente que no compra. Esta alta capacidad de ordenar a los clientes según su probabilidad de conversión es crucial para la aplicación práctica de la puntuación en estrategias comerciales.
El análisis detallado del informe de clasificación reveló un comportamiento equilibrado entre precisión y sensibilidad para ambas clases. Para la clase de clientes compradores (Evento 1), el modelo obtuvo un recall de 0,84, lo que indica que la mayor parte de los clientes que efectivamente compraron fueron correctamente identificados. Aunque la precisión para esta clase fue ligeramente inferior, con 0,79, tal característica es esperada en modelos cuyo objetivo es maximizar la identificación de oportunidades comerciales, aceptando una proporción controlada de falsos positivos a cambio de una mayor cobertura de clientes potenciales.
En cuanto a la clase de clientes no compradores (Evento 0), el modelo demostró una precisión de 0,88 y un recall de 0,85. Estos valores indican una alta capacidad para identificar correctamente a los clientes que no realizarían una compra, lo que contribuye a la reducción de enfoques comerciales innecesarios y a la optimización de recursos. La proximidad de las medias macro y ponderada de las métricas de precisión, recall y F1-score, todas alrededor de 0,84, confirma la consistencia del rendimiento del modelo entre las clases y la ausencia de un sesgo significativo derivado de un leve desbalanceo en la base de datos.
Adicionalmente, el valor del log-likelihood observado, de -5010,6441, sugiere un buen ajuste relativo del modelo a los datos, especialmente cuando se interpreta junto con las demás métricas de desempeño como AUC, Gini y F1-score. En modelos de regresión logística, el log-likelihood es una medida comparativa que, en este contexto, corrobora la adecuación del modelo estimado para la tarea de predecir la propensión a la compra. La elección del umbral operacional de 0,5 para el cálculo de las métricas de clasificación se justificó por la ausencia de costos asimétricos significativos entre falsos positivos y falsos negativos, a diferencia de escenarios como la detección de fraudes.
La matriz de confusión proporcionó una visión clara del rendimiento del modelo. Se encontró que 6.383 clientes no compradores fueron clasificados correctamente (verdaderos negativos), y 4.435 clientes compradores fueron identificados correctamente (verdaderos positivos). Por el contrario, se observaron 1.143 falsos positivos, que son clientes clasificados como compradores pero que no efectuaron la compra, y 875 falsos negativos, que son clientes compradores no identificados por el modelo. Estos resultados indican que el modelo puede reconocer adecuadamente a la mayoría de los compradores, manteniendo un control razonable sobre las clasificaciones incorrectas, lo que refuerza su utilidad para la priorización y el apoyo a la decisión comercial.
El análisis de los coeficientes estimados de las variables predictoras reveló importantes perspectivas sobre los factores que influyen en la propensión a la compra. La variable `Complementar_Proporcao` presentó el coeficiente absoluto más alto, con un valor negativo, lo que indica que cuanto mayor es la participación de productos complementarios en el volumen de compra, menor es la probabilidad de compra en el período siguiente. Esto puede reflejar un perfil de cliente menos recurrente o con un consumo más puntual, que adquiere productos complementarios de forma esporádica.
En contraste, el `Valor_Faturado_MesAnterior` exhibió un coeficiente positivo relevante, sugiriendo que clientes con mayor facturación en el mes anterior tienden a presentar mayor propensión a la recompra. Este hallazgo está alineado con la expectativa de continuidad de la relación comercial y la importancia de un historial de ventas reciente. De forma similar, la `Frequencia_MesAnterior` también demostró un efecto positivo, reforzando que un historial reciente de compras frecuentes aumenta la probabilidad de una nueva compra.
La variable `Recencia`, con un coeficiente negativo, indicó que cuanto mayor es el tiempo desde la última compra, menor es la propensión del cliente a comprar nuevamente. Este es un indicador crucial de riesgo de inactividad del cliente. Curiosamente, el `Volume_Faturado_MesAnterior` también presentó un coeficiente negativo, lo que puede sugerir que volúmenes elevados en el pasado reciente estén asociados a compras concentradas o al abastecimiento de existencias, reduciendo la necesidad de recompra inmediata en el próximo mes.
Otras variables, como la `Frequencia` (actual) y el `Preco_Bruto` (actual), presentaron coeficientes positivos, lo que indica que los clientes más activos y que operan bajo determinados niveles de precio tienden a tener una mayor probabilidad de conversión en el período subsiguiente. Variables de segmentación y localización, como la categoría de cliente `A` y los barrios `ALTO_DE_PINHEIROS` y `MOEMA`, también se mostraron relevantes, aunque con coeficientes de menor magnitud. Estos indicadores sugieren que las características regionales y del perfil del cliente contribuyen a la explicación de la propensión a la compra.
La coherencia de las señales y magnitudes de los coeficientes con la lógica de negocio refuerza la capacidad del modelo de capturar adecuadamente los efectos conductuales, históricos y de composición de cartera en la explicación de la decisión de compra. Esta interpretabilidad es un diferencial importante para la aplicación práctica del modelo, permitiendo que los equipos comerciales comprendan los factores que impulsan o inhiben la compra.
La distribución de las puntuaciones de propensión a la compra, visualizada en un histograma, reveló la existencia de tres grupos principales de clientes. Se observó una concentración de clientes con menos del 30% de probabilidad de compra, una zona de indiferencia o propensión moderada entre el 30% y el 50%, y un grupo de clientes con alta propensión a la compra por encima del 50%. Esta perspectiva es fundamental para la segmentación de clientes y para la dirección de acciones comerciales específicas para cada perfil, optimizando la asignación de recursos.
A pesar de los resultados satisfactorios, algunas limitaciones deben ser consideradas en la interpretación de los hallazgos. El enfoque adoptado no incorporó explícitamente la dimensión temporal de los datos, tratando cada observación de forma independiente. Esto implica que potenciales efectos de estacionalidad, tendencias de mercado y dependencias temporales del comportamiento de compra pueden no haber sido capturados de manera ideal, lo que limita la capacidad de generalización del modelo para escenarios operacionales que involucran nuevos clientes o períodos futuros. La disponibilidad de Variables explicativas también es una limitación, ya que el rendimiento del modelo está condicionado al conjunto de atributos disponible, y la inclusión de información más detallada sobre relaciones comerciales, acciones de marketing y factores externos podría ampliar la capacidad predictiva.
En resumen, el modelo de puntuación de propensión a la compra desarrollado, utilizando regresión logística y selección de variables por método stepwise, demostró una elevada capacidad de discriminación y un rendimiento robusto y consistente. Los hallazgos, incluyendo la precisión del 84% y AUC-ROC de 0,90, junto con la interpretabilidad de los coeficientes de las variables más influyentes, confirman que el modelo es un instrumento valioso para ordenar a los clientes según su probabilidad de compra. Esto permite a la empresa del sector alimenticio priorizar clientes, segmentar la cartera y dirigir acciones comerciales de forma más eficiente y orientada por datos, respondiendo al objetivo de informar la propensión a la compra en el mes siguiente para los clientes del Food Service de la ciudad de São Paulo.
4. Conclusión
Este estudio tuvo como objetivo construir un modelo predictivo capaz de informar la propensión a la compra en el mes siguiente (M+1) para los clientes de Food Service de la ciudad de São Paulo de una empresa del sector alimentario. Para ello, se desarrolló un modelo de puntuación de propensión a la compra utilizando regresión logística y selección de variables por el método stepwise. Se verificó que el modelo presentó un desempeño robusto y consistente, con una precisión global del 84% y un Área Bajo la Curva (AUC-ROC) de aproximadamente 0,90, lo que indica una elevada capacidad discriminatoria y un buen equilibrio entre precisión y sensibilidad en la clasificación de clientes compradores y no compradores. El análisis de los coeficientes de las variables predictoras reveló que la proporción de productos complementarios en la mezcla de compra (`Complementar_Proporcao`) ejerció la mayor influencia negativa en la propensión a la compra, mientras que el `Valor_Faturado_MesAnterior` y la `Frequencia_MesAnterior` demostraron efectos positivos significativos. La `Recencia` y el `Volume_Faturado_MesAnterior` también se mostraron importantes, con coeficientes negativos que sugieren menor propensión a la recompra en escenarios de mayor tiempo desde la última compra o volúmenes elevados en el pasado reciente. La distribución de las puntuaciones de propensión a la compra permitió identificar grupos distintos de clientes, lo que constituye una contribución práctica fundamental para la empresa. La puntuación generada es un instrumento valioso para apoyar decisiones de priorización de clientes, segmentación de la cartera y direccionamiento de acciones comerciales, optimizando recursos y promoviendo una estrategia B2B orientada por datos.
A pesar de los resultados prometedores, se identificaron algunas limitaciones. El enfoque adoptado no incorporó explícitamente la dimensión temporal de los datos, lo que pudo haber restringido la captura de efectos de estacionalidad, tendencias de mercado y dependencias temporales del comportamiento de compra. Esto limita la capacidad de generalización del modelo a nuevos clientes o períodos futuros. Además, la disponibilidad de variables explicativas condicionó el rendimiento del modelo, y la distribución desigual de las clases, aunque mitigada, sigue siendo un desafío para la identificación de la clase minoritaria. Se sugiere que futuras investigaciones exploren la inclusión explícita de la dinámica temporal en el comportamiento de compra, adopten estrategias de validación más robustas, como la validación temporal y agrupada por cliente, y enriquezcan la base de datos con nuevas variables conductuales, comerciales y contextuales. La comparación de la Regresión Logística con algoritmos más sofisticados, como métodos de gradient boosting y redes neuronales, también puede ofrecer ganancias de rendimiento y profundizar la comprensión de los factores que influyen en la propensión de compra de los clientes.
Referencias Bibliográficas
Fávero, L.P. et al. 2017. Manual de análise de dados: estatística e modelagem multivariada com Excel®, SPSS® e Stata®. Elsevier, Rio de Janeiro, RJ, Brasil.
Guenther, P.; Guenther, M.; Misra, S.; Koval, M.; Zaefarian, G. 2025. Propensity score modeling for business marketing research. Industrial Marketing Management, v.127, p.14-28.
Hull, P. 2013. Tools for entrepreneurs to retain clients. Forbes. Disponível em: <https://www.forbes.com/sites/patrickhull/2013/12/06/tools-for-entrepreneurs-to-retain-clients/>. Acesso em: 5 mar. 2026.
Kotler, P.; Armstrong, G. 2015. Princípios de marketing. 17ed. Pearson Education do Brasil, São Paulo, SP, Brasil.
Kotler, P.; Keller, K.L. 2016. Administração de marketing. 15ed. Pearson Education do Brasil, São Paulo, SP, Brasil.
Neslin, S.A. et al. 2006. Defection detection: measuring and understanding the predictive accuracy of customer churn models. Journal of Marketing Research, v.43, n.2, p.204-211.
Ngai, E.W.T.; Xiu, L.; Chau, D.C.K. 2009. Application of data mining techniques in customer relationship management: a literature review and classification. Expert Systems with Applications, v.36, n.2, p.2592-2602.
Provost, F.; Fawcett, T. 2013. Data science for business. O’Reilly Media, Sebastopol, CA, EUA.
Reichheld, F.F. 1996. The loyalty effect: the hidden force behind growth, profits, and lasting value. Harvard Business School Press, Boston, MA, EUA.
Verbeke, W.; Dejaeger, K.; Martens, D.; Hur, J.; Baesens, B. 2012. Predictive modeling for customer churn management: a survey and future directions. Decision Support Systems, v.53, n.4, p.661-675.
Artículo originado del Trabajo de Conclusión de Curso de la Especialización en Data Science y Analytics del MBA USP/Esalq
Para saber más sobre el curso, haga clic aquí y acceda a la plataforma MBX Academy