Definir qué es «abandonar» y a quién se mira

## Martes, 9:30. «Para el jueves», dice Nerea

Nerea te ha escrito otra vez: quiere la lista para el jueves. Tiene prisa y tiene razón en una cosa —hay presupuesto y una campaña que lanzar—, pero antes de darle nada hay que convertir su «quién va a dejar de usar la cuenta» en algo que un ordenador pueda contar. Y ese es el trabajo de hoy, que no es escribir un modelo: es escribir una definición. Un target no es una columna que viene en los datos; es una decisión que tomas tú sobre qué cuenta como el evento que quieres predecir. Dos personas razonables pueden definir «abandonar» de dos formas distintas sobre los mismos datos, y obtener dos listas que no se parecen en nada.

Ya sabes agregar la actividad de doce meses a una fila por cliente: lo preparaste ayer. Ahora vas a usar esas features —cuánta actividad reciente tiene, cuánta tenía antes, si la tendencia baja— para definir el target de dos maneras, y a mirar en qué se diferencian. No es un ejercicio de estilo: cada definición es un problema de negocio distinto.

## Encuadre ingenuo: «abandonó» = inactivo el último mes

La definición fácil, la que sale sola de la pregunta de Nerea, es: abandonó quien no tuvo actividad el último mes. Es cómoda de calcular, da un target grande, y parece capturar justo lo que ella pide. En la tabla es target_ingenuo, y marca a más de la mitad de la base. El problema no es que esté mal calculada: está perfectamente calculada. El problema es a quién mete dentro. «Inactivo el último mes» incluye al cliente que se enfría estando activo —el que quieres pescar—, pero también al muerto que lleva seis meses sin tocar la cuenta y al que nunca la usó. Los tres caen en el mismo saco porque los tres tienen cero actividad el último mes.

## Encuadre reformulado: «abandonó» = enfriarse estando activo

La definición útil es la que recoge la distinción de Pau: abandonar no es estar inactivo, es pasar de activo a frío. Nos interesa el cliente que tenía actividad y la está perdiendo —la tendencia baja, la actividad reciente es menor que la previa pero no es cero del todo—, no el que lleva muerto medio año ni el que nunca empezó. En la tabla es target_reformulado. Esta definición es más difícil de capturar, porque exige mirar la trayectoria y no solo el último mes, pero es la que corresponde al problema de negocio: pillar al cliente justo cuando se está enfriando, cuando una promo todavía puede hacer algo.

## La segunda decisión: a quién se mira

Definir bien el target es la mitad del trabajo. La otra mitad es la pista que suelta Pau de pasada: «al que ya movió la nómina no lo recuperas; al que aún la tiene aquí, sí». Eso no es sobre el target: es sobre la población. Aunque definas «abandonar» perfectamente, no tiene sentido modelar sobre toda la base, porque sobre buena parte de ella no puedes actuar. Mandarle una promo a un muerto o a alguien que ya se llevó la nómina es tirar el dinero, por mucho que el modelo lo clasifique bien.

Así que defines la población accionable: el cliente que sigue activo o apenas enfriándose, y que aún tiene la nómina domiciliada en Marea. Solo a ese grupo le mandarás la promo, así que solo sobre ese grupo tiene sentido entrenar el modelo reformulado. En la tabla es el flag accionable, y son 2484 clientes de los 6000: el 41%. El resto —muertos, nunca-activos, los que ya se llevaron la nómina— quedan fuera no porque el modelo no sepa clasificarlos, sino porque no hay nada que hacer con ellos.