Mejores prácticas en gestión del churn: Data science

El caso de uso más representativo en las organizaciones cuando se habla de ciencia de datos, es sin lugar a dudas la predicción y explicación de la fuga de clientes, attrition o churn. Se habla tanto de esto que aveces las empresas dudan si el científico de datos sabe hacer otra cosa diferente a medirlo y gestionarlo. No es para menos, un punto de churn equivale a miles de dólares.

En este blog, queremos compartir con ustedes algunos conocimientos derivados de nuestra práctica consultiva alrededor de predicción y gestión del churn con nuestra metodología VDD (Visual Data Discovery).

ROL FINANCIERO DEL CHURN:

Como se muestra en el gráfico a continuación, la relación con clientes presenta diferentes retos:

      • Cuando se inicia una relación comercial con un cliente, los costos de adquisición bajan el margen: ¿Cómo reducir los costos de adquisición con mejores estrategias de targeting?

      • Siempre queda la duda si estamos dejando dinero sobre la mesa, adicionalmente queremos que los clientes no solo compren un producto o servicio, queremos que el cliente se vincule con todo nuestro portafolio: ¿Cómo hacer venta cruzada y venta escalonada? 

      • Las relaciones comerciales se agotan y es posible que tengamos signos de pérdida de clientes, no renovaciones, que el cliente retire productos o servicios de su portafolio etc.: ¿Cómo retener el cliente de una forma rentable para la organización?
      • La recuperación de clientes perdidos sería otra pregunta: ¿Cómo detectar clientes que podemos recuperar? ¿Con qué oferta recuperarlos?

Ciclo_Vital_Cliente_SINNETIC

MEJORES PRÁCTICAS EN GESTIÓN DE CHURN

El diagrama a continuación, muestra un resumen desde nuestra experiencia consultiva y de la revisión de la literatura científica. Hemos aislado 17 mejores prácticas y están clasificados según su impacto en la reducción de churn (Eje X), Costo de implementación (Eje Y), Riesgo (Eje Z, Colores) y Esfuerzo requerido (Eje W, Tamaño)

Churn_Best_Practices_SINNETIC

Para efectos del presente blog, nos concentraremos en aquellas directamente relacionadas con modelamiento predictivo.

FUENTES DE DATOS:

La integración de sistemas transaccionales resulta clave para construir modelos de datos eficientes en la gestión predictiva del churn. A continuación evaluamos 4 fuentes diferentes de datos desde tres perspectivas: 

      • Intra-operabilidad: La fuente sea transversal, indique la salud de diferentes procesos al interior de la organización y un cambio en esta fuente alerte diferentes procesos.

      • Accionabilidad: La fuente sea de datos que representen aspectos que el negocio pueda alterar con el fin de lograr un mejor resultado.

      • Validez estadística: Posibilidad de hacer inferencias válidas cuando no se trate de censos.

Fuentes_Datos_Churn_SINNETIC

ESTRATEGIAS DE MODELAMIENTO:

Generalmente, las organizaciones deben escoger entre dos poderosos resultados:

      • Tener un modelo que permita explicar las causas del churn para tener una teoría de negocio eficiente y así construir una estrategia razonable. Estos modelos pueden tener fallas de predicción leves

      • Tener un modelo que prediga con la mayor precisión y exactitud posible. Estos modelos generalmente son difíciles de entender.

DataScience_Algoritmos_Churn_SINNETIC

La evidencia científica soporta las siguientes conclusiones:

      • El customer journey map empírico es 43% más efectivo que cualquier otro predictor para estimar poblaciones en riesgo y futuros churners.
      • Los modelos de churn deben ofrecer al negocio dos elementos: 1. Tiempo que queda de vida para el cliente y 2. Probabilidad de perderlo y esta dupla se logra eficientemente con modelos integrales entre estadística (Survival analysis) e inteligencia artificial (Factorization machines).
      • El negocio requiere que el modelamiento logre las dos cosas a la vez: 1. Una teoría de negocio convincente que explique las causas del churn y 2. Una predicción exitosa para pasar a producción la estrategia.

VDD es un poderoso mecanismo de ingesta integración y analítica de datos provenientes de diferentes sistemas transaccionales de la organización con el fin de retener y valorizar la relación que tenemos con clientes y canales. Como metodología se basa en procesamiento estadístico e inteligencia artificial

Si quieres conocer más sobre la metodología, uno de nuestros consultores se pondrá en contacto contigo:

América del Sur

México y Centroamérica

Gabriel Contreras

Gabriel Contreras

Actual CEO de SINNETIC para Colombia. Estudios en psicología, estadística, Msc en estadística, MBA y especialista en comportamiento del consumidor e investigación de mercados. Más de 15 años de experiencia haciendo consultoría analítica y de datos para Seguros, Agronegocios, FMCG, Farma y Movilidad

Artículos Relacionados

CONTACTLESS MÉXICO: Pagos digitales

Antecedentes

Parte de las tecnologías financieras que han crecido en los últimos años se ha...

CONTINUAR LEYENDO

Analytics vs Research ¿Cómo conducir hacia Pricing Strategy?

El boom de la analítica nos permite pensar qué explorar la data histórica puede ser una ruta...

CONTINUAR LEYENDO

Ciencia de datos en farma: Conectando la prescripción con la venta

El sector farmacéutico tiene retos comerciales y de "go! to market" a superar. Algunos casos de...

CONTINUAR LEYENDO