¿Cómo reducir las tasas de cancelación usando machine learning?



Tiendas Virtuales

Una condición necesaria para la existencia de un negocio es tener clientes dispuestos a pagar por un producto o servicio, por eso gran parte de los esfuerzos de las empresas exitosas se enfocan en actividades de marketing que le permitan mantener las relaciones de largo plazo con sus clientes. 

Es bien sabido para los equipos de marketing que perder un cliente es muy costoso, pues cuesta mucho menos mantener un cliente que adquirir un cliente nuevo. Según el gurú del marketing Philip Kotler es 7 veces inferior el cliente de mantener a un cliente que adquirir a un nuevo cliente y  según la Oficina de Asuntos del Consumidor de la Casa Blanca, es de 6 a 7 veces más costoso adquirir un nuevo cliente que retener a uno antiguo.

Según la consultora Bain & Company,  un incremento en la retención de los clientes del 5% puede generar un aumento en las ganancias de hasta un 25%.   Según Emmett C. Murphy and Mark A., autores de  “Leading on the Edge of Chaos” un aumento del 2% en la retención de clientes (o disminución de la rotación) es equivalente a una reducción del 10% en los costos

Es por eso que detectar a los clientes en riesgo, aporta gran cantidad de valor después de todo ¿no es más  inteligente invertir más en fidelización y menos en captación de clientes?


Es una práctica común el realizar seguimiento a la pérdida de clientes y uno de los indicadores más usado es el “churn rate” o tasa de cancelación,  que corresponde porcentaje de clientes que dejan de usar el producto o servicio de una compañía durante un periodo de tiempo. Se calcula dividiendo el número de clientes que se perdió durante un periodo de tiempo dividido el número de clientes que se tenía al principio del periodo


Algunos tipos de churn dependiendo del negocio pueden ser: 
  • Vencimiento y no renovación de un contrato de servicio
  • Cancelación de una suscripción
  • Usar otro proveedor de servicios
Ahora, ¿Que tal si usted pudiera predecir cuando un cliente está en riesgo de dejar de serlo y oportunamente pudiera realizar campañas de retención (promociones, descuentos, mails personalizados), ya que sabe en qué clientes enfocarse?


Esto es posible mediante la aplicación de algoritmos de machine learning, donde se puede obtener un listado de los usuarios con la probabilidad de que realicen churn, esto permite establecer puntos de corte para categorizar los usuarios según probabilidad y gestionarlos activamente. Adicionalmente es posible detectar que factores pueden estar influenciando a un cliente para darse de baja. Esto se puede lograr al analizar las características que tienen más peso en las decisiones que toman los clientes, lo que permite obtener una lista de posibles puntos para reducir las tasas de churn. 

Las empresas que implementan este tipo de prácticas pueden lograr reducciones del churn, dependiendo del sector al que pertenecen de entre un 5 - 12 %. 

Algunos de los datos necesarios para la realización de un estudio de churn son: 
  • Información del cliente: transacciones,  datos demográficos, patrones de uso
  • Interacción con iniciativas de marketing: Reacción a sus boletines, correos electrónicos, campañas de activación, etc
  • Productos: Tipo de producto que usan, Variedad de productos, Uso de cupones, referencias del producto o combos, 
  • Hábitos de compra: historial de compras, frecuencia de compra, fecha de la última compra, hora del día / temporada de compra, montos de las compras, Métodos de pago
  • Interacciones con el cliente: preguntas de servicio, visitas a la tienda / En línea, resoluciones de quejas, prioridad de quejas, frecuencia de las quejas, canal de comunicación, 
Algunos de los algoritmos más usados para reducir el customer churn son:
  • Algoritmo XGBoost
  • Random forest
  • Redes neuronales

“¿Cómo reducir las tasas de cancelación usando machine learning?”
– Juan Guillermo Gómez Ramírez twitter social icon Tweet

Compartir este artículo:

1 Comentarios
  1. Santiago Zapata
    Santiago Zapata
    cerca de 1 año ago
    Este tipo de predicciones son realmente importantes para los objetivos de una organización

Crear un comentario
Ingresar para Comentar

Artículos Relacionados

Apr 17, 2021

Caso de Estudio en Data Science - Predicción De Precios De Apartamentos En Argentina y Colombia

Predecir o estimar el precio de venta de una vivienda puede ser de gran ayuda a la hora  de tomar decisiones importantes tales como la adquisición ...

Daniel Morales
Por Daniel Morales
Mar 25, 2021

Optimización De Inventarios En Retail Con Machine Learning

La gestión de los inventarios es una realidad que viven los negocios que se dedican a la producción o comercialización de bienes tangibles y sus ge...

Juan Guillermo Gómez Ramírez
Por Juan Guillermo Gómez Ramírez
Mar 24, 2021

Conoce Como La Ciencia De Los Datos Esta Aumentando La Productividad En Ofertas y Precios En El Sector Retail

El avance y el auge de nuevas tecnologías y algoritmos en el sector de Data science, ha dado cabida a muchas aplicaciones y casos de uso para todo ...

Danilo Galindo
Por Danilo Galindo
Icon

Únete a nuestra comunidad privada en Slack

Manténgase al día participando de ésta gran comunidad de data scientists en latinoamérica. Hablamos sobre competiciones en data science, cómo estamos resolviendo los retos, modelos de machine learning aplicados a las competiciones, técnicas novedosas y mucho más!

 
Te enviaremos el link de invitación a tu email de forma inmediata.
arrow-up icon