Predicción del Churn. Apuntes prácticos de Machine Learning

by Jordi Navarro

Todos hemos sido víctimas en algún momento de la típica llamada, siempre inoportuna, de la operadora de turno para invitarnos a acogernos a su última oferta imbatible. ¿Qué inversión en marketing representa esta estrategia de disparar a todo el que aparece en la guía telefónica o en alguna de las BBDD de clientes que obtienen estas operadoras?

Marketing directo sí, pero bien dirigido

telefono-gritar-En el mundo del marketing es ampliamente conocido gracias a Philipe Kotler que el coste de retener a un cliente es 7 inferior al coste de captar a un nuevo cliente, entonces ¿tienen sentido estas estrategias de marketing de fuerza bruta?

Si aparentemente estas estrategias se han seguido practicando de forma general, probablemente obedecía a la complejidad de detectar a los clientes en riesgo. Como veremos más adelante la tecnología ha evolucionado y lo que antes parecía imposible, ahora es factible gracias al Machine Learning.

Recientemente el Govern de la Generalitat de Catalunya ha anunciado que tiene previsto prohibir la oferta de productos o servicios a domicilio por teléfono o en persona sin consentimiento previo del consumidor.

Al hecho de que estas prácticas de marketing directo son poco eficientes ahora se añade un problema aún mayor, y es que además podrán ser sancionadas. Por tanto, ¿no parece más razonable para las empresas invertir más en fidelización y menos en captación de clientes?

Y para optimizar el proceso de venta directa, ¿no sería más rentable orientarla a un segmento de clientes más afines a contratar nuestros productos o servicios? Bien, por el momento vamos a aparcar esta segunda cuestión que será objeto de otro próximo post en nuestro blog.

Churn: El coste del abandono de clientes

El “Churn” es un concepto en el que se empezado a profundizar gracias al e-commerce. Como en cualquier negocio donde los costes de captación son elevados y el margen del producto o servicio pequeño, la única forma de obtener rentabilidad es en base al consumo recurrente de nuestro producto o servicio.

Por tanto, conseguir evitar el “churn”, o evitar el abandono de clientes se convierte no solo en una forma de mejorar la rentabilidad del negocio, sino simple y llanamente en cuestión de supervivencia.

Pero, ¿cómo prevenir el churn? Evidentemente dando un servicio excepcional al mejor precio. Pero si aparecen nuevos competidores que ofrecen un producto o servicio similar al mejor precio, ¿puedo hacer algo para evitar que se marchen mis clientes? Siempre podemos hacer algo, lanzar una promoción de permanencia, ofrecer un servicio extra, …

Hasta aquí hemos llegado, tenemos que hablargoodbye-inscription

Estas técnicas no son nuevas, pero se utilizan habitualmente cuando ya es demasiado tarde. Los mal llamados Departamentos de Fidelización de las grandes compañías actúan justo en el momento en que el cliente manifiesta su firme intención de darse de baja.  Pero con demasiada frecuencia la situación ha llegado a un punto de no retorno para el cliente. Pero, ¿y si fuésemos capaces de detectar de forma prematura los primeros síntomas o indicios de que un cliente está flirteando con la competencia?

Tal vez en ese justo momento, las mismas estrategias que resultan inútiles y llegan demasiado tarde, tendrían una mejor acogida y posibilitarían recuperar al cliente en un momento donde todavía no ha acabado de tomar una decisión en firme. Si somos capaces de evitar la marcha de nuestros clientes, mejoraremos el LTV (Customer Lifetime Value), nuestra rentabilidad en el corto y nuestra sostenibilidad en el largo plazo.

Pues bien, el Machine Learning permite descubrir esos indicios de entre las transacciones y el perfil de nuestros clientes, reconociendo en ellos unos patrones similares a los de otros clientes que ya han dejado de serlo, y a los que tal vez intentamos rescatar demasiado tarde.

Como ejemplo de cómo funciona en detalle el Machine Learning para realizar la Predicción del Churn podemos repasar el artículo de nuestro CTO Andrés González.

Cálculo de la rentabilidad (ROI)

Pero ¿cómo calcular esta rentabilidad? No es complicado calcular la rentabilidad de un proyecto de prevención del Churn si conocemos algunos datos básicos de nuestro negocio. Por ejemplo la relación de rentabilidad de un cliente fiel respecto de uno no fiel, puede oscilar entre el 300% y el 2000% dependiendo del sector y el producto.

Si somos capaces de pronosticar qué clientes tienen intención de marchar, podemos invertir en su retención con algún incentivo dirigido. Como consecuencia directa nuestro LTV crece y crece la satisfacción de los clientes.

Dejando de lado el aspecto puramente financiero, conseguir “refidelizar” a un cliente es de un enorme valor. Pasar de un cliente que estaba a punto de abandonarnos a un nuevo “apóstol” de la marca es, ni más ni menos, conseguir convertir una amenaza en una ventaja competitiva.