Banner
“Churn”: Big Data al servicio de la retención de clientes

“Churn”: Big Data al servicio de la retención de clientes

“La tasa de abandono de los servicios de video OTT (plataforma de servicios que transmite contenido a través de internet) es el 19% de los hogares estadounidenses de banda ancha, lo que indica aproximadamente uno de cada cinco hogares han cancelado un servicio OTT en los últimos 12 meses.”- Broadband Tv News

 Aunque en sus inicios era considerado un problema relacionado con la industria de las telecomunicaciones. Actualmente, está presente en la estrategia de cualquier Empresa, las tasas de abandono, también llamado Churn, se disparan en todos los sectores y compañías. Si hablamos de telecomunicaciones, las tasas superaran en algunos casos el 30%, en el caso de banca y seguros, oscila entre el 7% y el 18%.

Empresas como Vodafone, Jazztel y Netflix se ven afectadas por el “Churn”, responsable en muchos casos del descenso en la tasas de crecimiento neta de clientes. Por lo tanto, el Churn o Churn Rate se convierte en una de las métricas más importantes para las empresas.

La alta competitividad en cada sector hace cada vez más necesario disponer de modelos de detección temprana del abandono de clientes que permitan articular estrategia de retención efectiva y que finalmente aporte un valor diferencial a la compañía.

La cuestión clave es: ¿Cómo puedo conocer mejor al cliente y predecir su abandono?

 Big Data: Crecimiento de la información como base del conocimiento

El crecimiento en los datos a través, principalmente de redes sociales, sitios webs, datos de movilidad ha provocado una explosión en la generación de los datos y en este caso no solo por las transacciones comerciales si no por los hábitos del cliente.

El análisis de grandes fuentes de datos a través de ecosistemas Big Data posibilita tanto el almacenamiento como el procesamiento de nuevas fuentes de datos que se añaden a las ya tradicionales, para lograr resultados más eficientes y de esta forma optimizar la decisiones estratégicas de retención que finalmente completan la visión 360 º del cliente.

A través de técnicas analíticas adecuadas podemos dar respuestas a preguntas como:

  • ¿Qué perfil y senda de comportamiento tiene el cliente que abandona una compañía?
  • ¿Qué segmentos son los más afectados por el “Churn”?
  • ¿Qué causas o motivos provocan el abandono?
  • ¿Cuáles son sus necesidades reales?

Machine Learning para predecir el abandono de clientes

Con la ayuda de técnicas analíticas de Machine Learning podemos aprender dentro de los grandes volúmenes de información y establecer predicciones en base a comportamientos pasados de nuestros clientes.

Antes de comenzar la construcción del modelo predictivo de retención óptimo sería necesario plantearse las siguientes preguntas:

  • ¿Qué inputs puedo incluir en el modelo que finalmente deriven en alertas predictivas?
  • ¿Cuál es mi target o público objetivo?
  • ¿Qué horizonte temporal estable selecciono para aprender?
  • ¿Tengo que aprender de cualquier tipo de abandono?

Es muy importe distinguir entre Churn Voluntario y Churn Involuntario para disponer de un modelo analítico que concentre su atención en el Churn Voluntario, que es nuestro objetivo, ya que es debido a factores de relación empresa-cliente.

ABANDONO CTES_1

Una vez obtenidas las respuestas a estas preguntas el siguiente paso es plantearnos que técnicas estadísticas de Machine Learning dan respuesta a este tipo de problemas. Un modelo predictivo de retención viene guiado por una Target definida previamente, por lo tanto nos encontramos con un tipo de aprendizaje Supervisado.

En cuanto a técnicas disponibles, cito algunas de las más importantes y que mejores resultados dan dentro de los modelos de clasificación:

  • Árboles de Decisión
  • Regresión Logística
  • Random Forest
  • Redes Neuronales

La comparativa entre las puntuaciones de los diferentes modelos nos permite identificar el modelo más eficiente. Esto nos permite disponer de campañas efectivas donde maximizamos  tasas de retención altas y minimizamos los costes.

Estrategias de retención

De cara a establecer una estrategia, no solo es suficiente con determinar que clientes tienen probabilidad de abandono, debemos además determinar qué motivos o causas producen el abandono del cliente.

La senda de comportamiento que desprenden las alertas definidas como inputs del modelo nos permiten tener una imagen más clara de los motivos de abandono.

Determinar el perfil del cliente a través de las distintas tipologías y hábitos de consumo de nuestros clientes permite dirigir las acciones comerciales de una manera más real y efectiva.

El siguiente proceso resume los pasos a seguir para reducir el Churn en base a técnicas de Machine Learning:

GRAFICO ABANDONO CLIENTES_2

Conclusión

Finalmente podemos concluir una serie de aspectos fundamentales a la hora de implantar en nuestra compañía un sistema de aprendizaje automático enfocado a la retención de clientes:

  • La alta competitividad en los sectores provoca la necesidad en la Empresas de incorporar sistemas inteligentes de aprendizaje que permitan predecir la rotación de clientes en tiempos óptimos.
  • Aprovechar el potencial de los ecosistemas Big Data, a través de técnicas de Machine Learning, nos permite conocer el comportamiento de abandono de nuestros clientes y así determinar estrategias personalizadas de retención que repercuta en un mejor servicio al cliente.
  • La propia analítica nos permite determinar los distintos perfiles de clientes en función a sus hábitos de consumo generales, la cual resultara una parte esencial para completar una estrategia de retención eficiente.
  • La detección temprana de clientes con riesgo de Churn o abandono, nos permite optimizar nuestros recursos.

 

 

José Miguel Miralles Lopez

Coordinador de Inteligencia de Negocio en Grupo Cajamar