Como reducir el Churn con metodologías de Machine Learning

Las acciones de Netflix se derrumbaron la semana pasada como resultado del anuncio sobre sus tasas de crecimiento  (ver nota en eMarketer). Aparentemente la empresa creció, pero bastante menos de lo esperado. ¿Cuál fue el problema? El Churn. eMarketer menciona que los clientes estaban abandonando la empresa debido a que comenzó el período en que aumentaban el precio de sus servicios a sus clientes actuales. Pero seamos realistas, realmente creen que un usuario que está contento con el servicio abandona por un incremento de 2 dólares por mes?

El Churn o Churn Rate es una de las métricas más importantes para las empresas que ofrecen servicios por los cuales pagan por mes como TELCOs, CELCOs, Cable, etc. Cada vez que un cliente deja la compañía se lleva consigo el flujo de fondos que inyectaba mes a mes además, claro está, de enfrentarse a un nuevo costo de adquisición para mantener el mismo nivel de ingresos . La mayoría de las empresas antes mencionadas inician la relación con sus cliente con un resultado negativo, el costo de adquisición, por ello cuanto más mantienen a un cliente pagando por los servicios más se aseguran que el mismo será rentable y que mayor será su LTV (Life Time Value). Por el contrario, cuanto menor el tiempo como cliente, menor es la capacidad de rentabilizar la relación al punto de poder incluso perder dinero.

Los clientes son tentados todo el tiempo para irse con un competidor. Las razones pueden ser tanto internas (un mal servicio, mala atención al cliente, etc) o externas (promesas de competidores, un mejor precio, etc) las cuales ponen en juego cientos o miles de variables a los analístas. Esas variables cambian constantemente, y cada vez que una de ellas cambia, cambia el escenario en su totalidad generando una situación de análisis de complejidad. Un competidor que ofrece un precio menor puede generar una caída en la satisfacción de un cliente nuestro debido a que por el precio que nuestro cliente paga (mayor) la expectativa es mayor. En un escenario de cambio constante la única respuesta está en las técnicas de machine learning.

El siguiente es un proceso bastante simple para reducir churn en base a técnicas de Machine Learning.

1. Definir objetivo y táctica.

churn_reduction_process

2. Definir el conjunto de técnicas a utilizar con foco en el resultado a obtener y la información disponible: Con foco en comprender que que lleva a una persona a dejar la empresa (churn), se puede llevar a cabo un análisis descriptivo y exploratorio con la base de datos de transacciones de la compañía. Luego, identificar que variables de comportamiento estuvieron involucradas en los eventos de churn. Una metodología recomendada para esto por su simplicidad y capacidad de acción es el modelo de Machine Learning Supervisado Supervised Machine Learning Algorithm model “Regresión Logística Binaria” la cual es una metodología de regresión donde la variable objetivo (también llamada respuesta) es una variable dicotómica y representa al evento a ser explicado. El output o resultado se puede relacionar a un conjunto de variables predictivas que pueden ser categóricas, discretas y/o continuas. Nuestra recomendación es utilizar este modelo con “R” por su simplicidad y performance. Además van a encontrar miles de ejemplos sobre como realizar queries de alto rendimiento.

Churn_Reduction_with_Binary_Logistic_Regression

3. Identificar que eventos específicos están llevando a los clientes a cancelar su subscription. Con el modelo antes mencionado uno podrá obtener alguno de las siguientes hallazgos, entre otros. La probabilidad de abandono (Churn):

  • Incrementa 2.8 veces cuando el precio de los servicios del cliente es menor que $10 por mes.
  • Es 50% mayor cuando el valor de la factura del cliente ha caído durante los últimos tres meses.
  • Es 35% mayor cuando el cliente está consumiendo solo un producto de la empresa.

4. Una vez probada la hypothesis el próximo paso será una plataforma de automation marketing que tome el resultado del proceso anterior como base para identificar usuarios en riesgo de abandonar la empresa y generar acciones de retención. Como paso adicional es recomendable “alimentar” la base de Marketing Automation con el resultado de la metodología supervisada de Machine Learning “Random Forest” que genera una combinatoria de árboles de decisiones eliminando el riesgo que tiene la elección del nodo inicial.

random_forest_automation_mktg

Con estas metodologías algunos de los resultados que hemos obtenido son:

churn reduction

Newsletter

Suscríbase a nuestro Newsletter y reciba periodicamente novedades y actualizaciones: