Los modelos de abandono de clientes, de rotación de empleados y los sistemas de alerta temprana para estudiantes comparten una forma: una calificación por persona, un umbral, una lista. Construir la calificación es la parte que los equipos de datos disfrutan y la que se demuestra. También es, en nuestra experiencia, la parte que menos importa. Las organizaciones que obtienen valor de estos modelos tomaron tres decisiones antes de entrenar nada.

Decida qué pasa con una alerta

Una alerta es una solicitud del tiempo de alguien. Quién la recibe, cuántas puede atender por semana y qué se espera que haga debe resolverse primero, porque esas respuestas determinan el umbral. Un equipo que puede contactar a cuarenta personas por semana necesita una lista de cuarenta, ordenada, no una lista de cuatrocientas en rojo. El trabajo del modelo es ordenar; el del programa es decidir la capacidad.

Explique cada calificación

Un asesor, un jefe o un responsable de cuenta no actuará sobre un número que no puede explicarle a la persona que tiene enfrente. Cada calificación debe venir con las dos o tres señales que la produjeron, en lenguaje claro: tareas no entregadas y una semana sin actividad en la plataforma; caída de horas y un salario en el piso de la banda; menos pedidos y una queja abierta. Las explicaciones también mantienen honesto al modelo, porque una señal que no tiene sentido para quienes la usan suele ser un problema de datos.

Mida el seguimiento, no la alerta

La pregunta que justifica el programa no es cuántas personas fueron alertadas, sino si las que fueron contactadas se quedaron, regresaron o renovaron en mayor proporción que personas comparables que no lo fueron. Eso exige registrar a quién se contactó, cuándo y qué se hizo, y comparar resultados por grupo un periodo, un trimestre o un año después. Sin ese registro, el modelo puede ser preciso y el programa no valer nada.

Diseñe la privacidad desde el inicio

Las calificaciones de riesgo sobre personas son sensibles por definición. Quién puede ver una calificación, cuánto tiempo se guarda, si la persona puede verla y qué señales quedan fuera son decisiones de la institución, no del equipo de datos. Tomarlas pronto, y de forma visible, es lo que permite que el programa exista en un sistema escolar, un hospital o un banco.

Mantenga el modelo aburrido

La mayoría de estos problemas se resuelven bien con modelos transparentes entrenados con unos años de historia y probados con datos que el modelo nunca vio. La precisión por horizonte, revisada cada periodo o trimestre, indica cuándo reentrenar. Agregue complejidad solo cuando un modelo más simple esté dejando pasar, de forma demostrable, a personas que luego se perdieron.

La prueba

Si quienes reciben las alertas pueden decir qué hicieron con la lista del mes pasado y qué pasó con esas personas, el programa funciona. Si la respuesta es que la lista se revisó, todavía no es un programa; es un reporte.