Já imaginou prever a perda dos seus clientes? E, ao saber que está prestes a perdê-los, poder realizar ações customizadas de retenção? Há alguns anos isso parecia uma tarefa impraticável em função da restrição de informações do cliente e de tecnologias para realizar a previsão com bom grau de assertividade. Mas hoje, com a crescente adoção de conceitos de Big Data & Analytics nas organizações, o uso de técnicas de análise avançada para a identificação de oportunidades ao longo do ciclo de vida do cliente tem sido uma prática cada vez mais comum. Como apresentado no gráfico abaixo, destacamos as oportunidades de utilização dessas técnicas para alavancar os esforços relacionados ao ciclo de vida do cliente.
Saiba Mais: sobre Big Data & Analytics
Big Data se refere a um conjunto de dados muito grandes e/ou complexos. Por meio de técnicas bem desenvolvidas e já amplamente comercializadas via serviços na nuvem, o Big Data permite trabalhar nesse grande volume e variedade de dados com alta velocidade de processamento.
Por sua vez, as técnicas de Analytics representam um trabalho de inteligência e análise desses grandes volumes de dados, estruturados ou não. Interpretados por softwares de altíssimo desempenho, que permitem, com velocidade, o cruzamento dessas informações, as técnicas auxiliam e suportam as tomadas de decisão.
Os métodos de machine learning, ou aprendizado de máquina, vêm sendo bastante
utilizados para a previsão de perda de clientes. Essa técnica utiliza algoritmos que processam grandes volumes de dados para identificar padrões de interesse e, assim, realizar previsões. No caso de retenção, métodos de machine learning podem ser empregados para entender o comportamento dos clientes logo antes do churn (abandono). A identificação de comportamentos similares ao padrão estabelecido permite concentrar esforços em ações específicas de retenção.
De modo geral, uma boa previsão da saída de clientes — combinada com uma abordagem comercial direcionada — pode trazer ótimos resultados para as empresas. Ações de retenção focadas, como renegociação de preço ou ofertas de benefícios, podem prolongar a vida dos clientes e compensar os custos das ações desenvolvidas.
Como prever a perda de clientes?
Antes da aplicação de qualquer método de análise, é importante refletir sobre o que leva um cliente a deixar de sê-lo. A origem do abandono pode estar diretamente relacionada à experiência vivida com a empresa. Em outras palavras, o churn pode decorrer e, consequentemente ser compreendido através da análise de expectativas negativas e eventuais frustrações do cliente com o produto ou serviço prestado desde o início do seu relacionamento. É através do entendimento das causas que são estabelecidos os objetivos iniciais do desenvolvimento de uma modelagem preditiva. Ou seja, com base em resultados e comportamentos conhecidos, será desenvolvido um modelo que possa ser utilizado para prever resultados futuros.
Compreendidas as causas que levam à perda de um cliente, são então levantadas as informações que potencialmente possibilitam prever o churn. Essas informações podem variar de empresa para empresa e dependem do vínculo estabelecido com o cliente – contrato, assinatura, compra pontual entre outros. De modo geral, os fatores que predizem a perda podem ser agrupados em 5 categorias: perfil do cliente, custo da mudança, ações de marketing, competição e satisfação do cliente.
Saiba mais: Categorias de informações com potencial de prever o churn
Há diversos exemplos de como o perfil do cliente pode afetar o churn. Alguns exemplos verificados em estudos mostram que clientes de renda mais alta são menos propensos ao churn – talvez por serem menos sensíveis a variações de preço, assim como a população rural. Pessoas de menor escolaridade, por sua vez, têm taxas mais altas de churn. É importante realizar análises complementares para identificação de padrões de perfis específicos para o caso analisado e não utilizar apenas os exemplos citados aqui ou em outros estudos.
Quanto menor o custo para o cliente mudar para um competidor, mais propenso a isso ele é. Estes custos podem ser psicológicos, que incluem inércia, busca por marca, familiaridade e sentimento de relacionamento com a companhia atual, ou físicos, que são aqueles realmente relacionados ao valor ou esforço da mudança.
Descontos e recompensas de programas de fidelidades se relacionam com menores taxas de churn, assim como negócios com produtos personalizados têm menos churn se comparados àqueles com ideal de “tamanho único”.
A competição pode se dar dentro de uma categoria quando, por exemplo, ocorre entre diferentes operadoras de TV por assinatura, ou entre categorias, como o que ocorre nas operadoras de TV por assinatura com o crescimento de serviços de streaming online.
É intuitivo que os clientes mais satisfeitos sejam menos propensos ao churn, e tal teoria é comprovada em diversos estudos. Porém, uma medição genérica da satisfação do cliente pode não estar tão relacionada ao churn. É importante ter indicadores específicos sobre a satisfação do cliente, por exemplo, se o produto atende às expectativas, se atende às necessidades do cliente, se o preço agrada e etc. Como tais informações são difíceis de se obter, compras anteriores e comportamento de uso costumam ser utilizados como substitutos. Além disso, pode-se incluir ligações ao Help Desk e reclamações como dados de avaliação da satisfação do cliente.
Uma série de análises deve ser realizada para a identificação de fatores realmente relevantes para a previsão do fenômeno de churn e posterior submissão das informações levantadas aos métodos de machine learning. Diversas técnicas podem ser utilizadas, como por exemplo árvores de decisão, regressões e redes neurais. Esses algoritmos buscam identificar os padrões de comportamento do cliente antes da sua saída e conseguem assim, estimar a sua propensão ao churn.
Após a identificação dos clientes com maior risco de saída, estes são normalmente priorizados para o desenvolvimento de ações de retenção segundo critérios como a probabilidade de saída e também seu valor para a empresa. A utilização de grupos de controle, que não recebem nenhum tipo de ação de retenção, é também prática comum para servir como base de comparação e medir o desempenho dos modelos preditivos.
Caso de previsão de churn em uma empresa de serviços financeiros
A utilização do machine learning para a previsão do churn de clientes pode ser ilustrada por um caso recente em que a Visagio teve a oportunidade de apoiar uma empresa do setor de serviços financeiros na identificação dos clientes mais propensos ao cancelamento do seu serviço. A empresa passava por um crescente desafio de retenção principalmente devido à redução de barreiras de entrada estabelecidas anteriormente por órgãos reguladores do setor, possibilitando cada vez mais concorrentes a buscarem espaço no mercado.
Antes do início da modelagem preditiva, foi realizada uma análise aprofundada do panorama de retenção na empresa, identificando o perfil dos clientes que saem, as taxas de abandono e o desempenho das ações de retenção em curso. Mais de 200 potenciais variáveis preditoras relacionadas ao perfil e ao comportamento do cliente antes do churn foram identificadas através do mapeamento das interações e possíveis frustrações que o cliente poderia ter com a empresa. Através do estudo da correlação de cada uma dessas variáveis com o abandono do cliente e a sua importância na explicação do fenômeno, identificou-se que 10 delas tinham de fato relevância para a previsão do evento. A aplicação de diversas técnicas de machine learning nas informações levantadas, em conjunto com o processo de construção e ajuste do modelo preditivo, resultou em uma previsão com desempenho aproximadamente 7 vezes superior à técnica em uso para seleção de clientes em ações de retenção preventiva.
Machine learning não é uma bala de prata contra o churn
O mercado já comprovou a utilização de técnicas avançadas de análise, como as de machine learning, como ferramentas poderosas para apoiar as organizações nos desafios de retenção de clientes. Cada vez mais as empresas estão investindo em áreas dedicadas ao desenvolvimento de análises desta natureza e estão colhendo grandes resultados sobre as informações dos clientes.
Os métodos de machine learning para previsão da saída dos clientes não devem, no entanto, ser considerados como a solução para este problema. Apesar dos modelos preditivos fornecerem informações valiosas para direcionar as ações de retenção, a fidelidade dos clientes será realmente mantida por boas experiências e uma real vantagem competitiva enxergada sobre os demais concorrentes.
Sobre os autores
Gilberto Cordeiro é sócio da Visagio, especialista em projetos com foco em Analytics tendo experiência nos setores de saúde, financeiro, mineração e agronegócio.
Michael Schardosim é consultor da Visagio, especialista em projetos com foco em Analytics tendo experiência no setor financeiro.
