La utilidad de los modelos predictivos para evitar bajas de clientes.
Las estrategias de captación de clientes se multiplican en contextos cada vez más competitivos. Y en ese marco, la retención de clientes cobra vital importancia.
Captar nuevos clientes forma parte de los objetivos de cualquier empresa. Para lograrlo invierten una importante cantidad de recursos. Una vez que los consiguen procuran mantenerlos satisfechos. La razón es simple y conocida: el costo de retener un cliente existente es menor que el de adquirir uno nuevo.
Todos los dispositivos diseñados para escuchar “la voz” del cliente responden a esa razón. En investigación de mercado, la medición sistemática del nivel de satisfacción y el trabajo reticular sobre las razones de insatisfacción, son herramientas que apuntan al mismo objetivo. A su vez, es abrumadora la evidencia empírica que indica que los clientes satisfechos son también los más leales.
Las empresas de servicios saben que para ser exitosas deben acompañar sus estrategias de captación de nuevos clientes con estrategias de retención de sus clientes actuales. El churn rate de una compañía mide, justamente, la proporción de clientes que la abandonan durante en un período determinado de tiempo. Los estudios de churn rate apuntan precisamente a resolver ese problema: ¿cómo evitar las bajas de clientes?
El análisis de registros de audio.
Cuando un cliente llama para darse de baja las empresas implementan distintos tipos de barreras para evitarlo. Se trata de mecanismos de retención que se activan una vez que fallaron otras instancias previstas. Simplificando un proceso que puede ser complejo: o mejoran la oferta y las condiciones del contrato (incrementando el costo del cliente) o dificultan el propio proceso de baja. En ambos casos buscan modificar la decisión del cliente. Cuando fallan incluso estos mecanismos de retención, queda el registro crudo de las razones de baja.
El análisis directo de las razones de baja es un primer paso. Las empresas suelen contar con audios de esas entrevistas en las que los clientes se dan de baja. Ese material es relevante para distinguir a aquellos que lo hacen por razones involuntarias –una mudanza- de aquellos que lo hacen por deficiencias del servicio. Si el registro de razones es lo suficientemente bueno y accionable, es probable que las empresas puedan decidir, a partir de este análisis, mejorar, corregir o volver más eficiente aquellas áreas de servicio más problemáticas.
Sin embargo, en muchas ocasiones advertimos que la modalidad de registro de razones de baja no es suficientemente buena. En general, se trata de un proceso extremadamente mecanizado. Los operadores de los call centers se conducen como robots y pierden la oportunidad de escuchar, quizás por última vez, al cliente. Además, en ocasiones, la categorización de las razones no es confiable y el registro pierde valor. El análisis de las grabaciones de esos llamados puede mostrar en qué medida el proceso de registro de las razones se ajusta a criterios de validez y confiabilidad necesarios para utilizar razonablemente esos datos.
Antes de que sea tarde: de la retención a la predicción.
Independientemente de la efectividad de las estrategias de retención, lo mejor es evitar que el cliente llegue a realizar ese llamado “fatídico”. El desafío es identificar a tiempo quiénes se darán de baja. Detectar a los clientes que con mayor probabilidad abandonarán el servicio. En definitiva, predecir para accionar antes de que ese llamado se produzca.
Además del análisis directo de las razones, los estudios de bajas contemplan la elaboración de modelos predictivos. Aplicando técnicas de data mining y análisis estadísticos multivariados es posible determinar qué variables y en qué combinaciones incrementan la probabilidad de que un cliente abandone un servicio. Lo que necesitamos son datos de una muestra representativa de clientes activos y dados de baja. ¿Qué clase de datos? Datos duros. No opiniones subjetivas sobre el producto o servicio, sino datos sobre sus comportamientos objetivos. En general, los datos con los que se cuenta en un CRM.
Los datos son conceptualizados en un conjunto de hipótesis iniciales. Luego se generan las variables y la base a partir de la cual será desarrollado el modelo. La base de datos generada se divide en dos grupos de datos. El grupo de entrenamiento es el que se utiliza para generar el modelo, con aproximadamente el 70% de los casos de la base. Obviamente, no tendría sentido utilizar todos los casos para generar un modelo predictivo ya que en ese caso no tendríamos un grupo de control contra el cuál contrastar su efectividad. El segundo grupo de datos es precisamente el grupo de testeo (30% restante); el que se utiliza para probar el poder de predicción del modelo.
Una vez que se mide la performance del modelo y se establece su poder de predicción, se lo aplica a la cartera total de clientes. Los resultados de este tipo de modelo son categóricos: indican un conjunto de reglas clasificatorias para el total de los clientes. Cada una de ellas define una proporción de clientes que se dará de baja. Si se aplicaran todas las reglas de un modelo, una empresa podría anticipar a la totalidad de los clientes que se darán de baja. Pero también, sobre la base de las reglas predictivas, una empresa puede decidir cuánto quiere reducir su churn rate y llevar a cabo acciones de retención exclusivamente sobre la proporción de clientes con más probabilidad de darse de baja. Más aun: la posibilidad de medir empíricamente la efectividad del modelo, mes tras mes, acción tras acción, genera una curva de aprendizaje sobre el valor de las estrategias de retención que retroalimenta la capacidad predictiva del modelo.
En síntesis, los estudios de baja ayudan, como pocos otros estudios lo hacen, a reducir significativamente los costos de adquisición de nuevos clientes, porque logran anticipar quiénes serán los próximos abandonadores.
VIVIANA BARCESAT
Lic. en Psicopedagogia (CAECE). Directora de KNACK
MELCHOR ARMESTO
Lic. en Sociología (UBA). Diploma de Estudios Avanzados (UCM, Madrid). Socio Director de KNACK Argentina.
