Cualquiera sea la industria en la que trabajes, es probable que te hayas preguntado cómo evitar que tus clientes cancelen sus contratos. Para empezar, es muy valioso saber qué clientes tienen la mayor probabilidad de cancelar su contrato y cuándo; cuáles presentan cierta incertidumbre sobre su permanencia; y cuáles muestran fuertes características de fidelidad.
Encontrar respuestas a lo antes mencionado puede suponer un esfuerzo inmanejable o incluso imposible de costear. En Bunker DB, ofrecemos la solución a este problema de la mano de modelos de Machine Learning combinados con Análisis de supervivencia para predecir el abandono de clientes en modalidades de facturación por contrato de servicios.
Antes de adentrarnos en estos modelos, volvamos a la pregunta inicial. Asumiendo que podemos saber de antemano el humor de nuestros clientes con un alto grado de confianza, ¿qué podemos hacer con esta información?
La posibilidad de tener una predicción de abandono o retención, entre otros datos que detallaremos más adelante, permite poder desplegar estrategias de retención y optimizar el presupuesto de comunicación con aquellos clientes que presenten mayor fidelidad.
Para el Departamento de Marketing o de Client Success conocer en qué situación se encuentra cada cliente será información muy valiosa para desarrollar estrategias a medida que optimicen su presupuesto, con el mejor resultado posible en retención de clientes.
Es sabido que el esfuerzo por conseguir nuevos clientes puede ser hasta siete veces superior que el esfuerzo por retenerlos, tanto en presupuesto como en recursos humanos. Esta proporción, puede ser aún mayor en mercados maduros con poca posibilidad de expansión y de escasa movilidad de clientes.
Un caso típico de estudio, y en el que nos especializamos, es en la industria de las Telecomunicaciones. Nuestro equipo de Data Scientists ha desarrollado un modelo predictivo basado en las dos técnicas más reconocidas para este tipo de análisis que son, como mencionamos anteriormente, modelos de Machine Learning de clasificación en conjunción con Análisis de supervivencia.
El Análisis de supervivencia multivariante del tipo Cox Proportional Hazard (CPH) nos permite estimar la probabilidad de supervivencia o del tiempo hasta el abandono, resultando fácil de explicar por la evolución temporal de las curvas de supervivencia. Sin embargo, no en todos los casos arroja predicciones precisas. Es aquí cuando introducimos los modelos de Machine Learning. Estos modelos, aunque no devuelven curvas de supervivencia, se enriquecen con el análisis multivariante, admiten la explicabilidad del peso de las variables o features sobre el modelo y son sumamente precisos.
Entonces, ¿qué tipo de insights podemos esperar del resultado del análisis de estos modelos y qué accionables podría considerar desplegar para retener clientes?
Una vez identificadas aquellas características o features que son responsables de la mayor retención de clientes, es conveniente convertir a aquellos que aún no tengan dichas características o features dentro de su contrato, ya que incrementará su potencial permanencia.
En la práctica, un dato relevante para las proyecciones financieras de la compañía es que podemos calcular el uplift o ingreso potencial de cada uno de estos servicios que facilitan la retención. Luego, con esta evaluación podemos, para cualquier cliente, estimar los ingresos futuros de su permanencia extendida dependiendo de a cuál de estos servicios (que fomentan la retención) adhieren.
Veamos el siguiente caso a modo de ejemplo.
El modelo determina que las siguientes características extienden la permanencia de los clientes:
- Contrato a 1 año
- Contrato a 2 años
- ADSL (internet)
- Pago a través del sistema financiero (transferencia, tarjeta de crédito)
Por lo tanto, las siguientes iteraciones del modelo nos permiten evaluar cuántos meses adicionales de permanencia genera cada una de estas características. Entonces, el cliente XYZ-777, si adhiere a un contrato de 2 años en vez de renovable mes a mes -considerando que todo lo demás permanece igual- su expectativa de permanencia se extenderá en quince meses; o si, por el contrario, adhiere a débito bancario, su permanencia se incrementará en ocho meses.
Para cada cliente, cada uno de estos resultados determinan un ingreso futuro esperado que incrementará la precisión de las proyecciones financieras en escenarios múltiples. Adicionalmente, se podrá contar con importantes eficiencias en la utilización de presupuesto y recursos al servicio de optimizar la retención de clientes, evaluar y mejorar aquellos servicios que pueden estar generando abandono y potenciar aquellos que identificamos que estimulan la permanencia y los ingresos futuros para la compañía.
En conclusión, obteniendo los datos mínimos necesarios para correr estos modelos, podemos ofrecer insights de inmenso valor determinando qué clientes están en riesgo de abandono y accionables específicos relacionados al tiempo hasta el abandono, en conjunto con una estimación de uplift de los ingresos futuros potenciales.
Si estás interesado en conocer mucho más respecto a este modelo -o a otros servicios que nuestro equipo de Powerful Insights puede brindarte para sumar importantes eficiencias a tu inversión- contáctanos a través de este enlace.
