Churn negativo: ¿Cómo recuperar clientes y usuarios que dejaron nuestra empresa?

La pérdida de usuarios y clientes sucede a diario. En el mundo de los negocios en general y en el de las startups en particular. 

Ante un escenario de bajo crecimiento mensual, evitar el churn se vuelve vital para no sufrir una baja en el revenue mes a mes

En esta nota esclarecemos algunos conceptos acerca de los clientes y sus consumos, independientemente de nuestra tasa de churn mensual.

¿Cuándo logramos un churn negativo?

El churn negativo lo alcanzamos cuando las ganancias adicionales generadas por usuarios existentes es mayor que la pérdida que nos ocasionan las bajas de servicio

Estas ganancias adicionales las podemos definir como los gastos extra que puedan efectuar nuestros clientes, más allá de la suscripción o el gasto mensual básico registrado por cada uno:

  • Los gastos extra se pueden generar estimulando a los usuarios mediante el cross-selling o el upselling. 
  • El gasto mensual básico de cada cliente es lo que se denomina MRR (Monthly Recurring Revenue – Ingresos Mensuales Recurrentes).

Recurrir y establecer el churn negativo de nuestra startup servirá para determinar el crecimiento neto de las ganancias, dentro de un contexto de usuarios que abandonan o cancelan el servicio o suscripción.

Entendiendo qué es el cross-selling

El cross-selling (venta cruzada) busca comercializar a los clientes activos más productos de los que tienen contratados, basado en las ventas efectuadas a otros clientes de igual comportamiento. 

Es la clave para evitar el abandono de nuestro servicio o plataforma. 

Es una práctica habitualmente utilizada en el e-commerce, que busca que, al momento de comprar un bien (esto es, ‘agregar un producto al carrito’), la plataforma nos recomiende otros ítems que también nos puedan ser de utilidad. 

Lo más importante es que el cross-selling aplica para cualquier startup que pretenda un churn negativo, sea cual fuere el tamaño de la empresa.

El cross-selling no es sólo para las grandes ligas sino para cualquier startup que pretenda un churn negativo.

Veámoslo en unos ejemplos:

  • Estamos comprando alimentos a través de una página e-commerce de un supermercado. Entonces, cuando agregamos un paquete de fideos a nuestra compra, es deseable que la plataforma nos sugiera comprar productos adicionales, como salsa de tomate, queso rallado, etc.
  • En otro escenario, cuando estamos comprando un teléfono celular a través de una plataforma, es común que aparezcan productos relacionados para comprar, como fundas para celulares, cables USB, cargadores portátiles, etc.
  • Otro caso cross-selling -un poco encubierto- se da en las plataformas de streaming, como Netflix y Spotify. Cuando terminamos de mirar una película o de escuchar temas musicales de un determinado artista, la plataforma nos recomienda otro contenido similar.

La tecnología que está detrás de todos estos ejemplos es lo que se conoce como sistemas de recomendación. 

Para que puedan implementarse estos sistemas de recomendación, es necesario contar con información sobre los usuarios con los que estamos interactuando

No sólo sirve la relación de qué usuario compró qué ítem/producto, sino también información de otro tipo:

  • Horarios y días de la semana en los que compra o utiliza la plataforma/sitio
  • Importe gastado por el usuario en el mes
  • Edad del usuario
  • Dispositivo que utiliza (celular, computadora, tablet)
  • Etc.

El sistema de recomendación puede implementarse de diferentes maneras. 

Los modelos más comunes son: red neuronal, random forest, o filtros colaborativos

La elección de unos u otros dependerá del desafío al que nos enfrentemos y de los datos con los que contemos.

A modo de esquema, podríamos representar un sistema de recomendaciones de la siguiente manera: 

Un poco más macroscópicamente, el problema tendría la siguiente forma:

Como muestra la imagen, el proceso se inicia con los usuarios, los ítems y con otra información que nos pueda ser relevante como input para el sistema de recomendaciones. 

Como resultado, obtendremos las recomendaciones que le ofreceremos a nuestros clientes.

Este sistema es la primera estrategia que tenemos para aumentar el churn negativo: hacer que nuestros clientes compren y gasten más de lo que lo hacen habitualmente. 

¿Cómo? Basándonos en el comportamiento de usuarios similares para ofrecerles bienes o servicios con alta probabilidad de que sean adquiridos.

De qué hablamos cuando hablamos de upselling

El upselling ocurre cuando a un cliente le vendemos un producto superior al que ya tiene y que, a su vez, es más caro (por lo que a nosotros nos representa un ingreso mayor).

Aplicar a todos los clientes la misma estrategia genera una alta tasa de fracaso.  

Es sabido que la caída del churn rate tiene una gran causa en la exigencia de los clientes a recibir productos o servicios cada vez más ajustados a sus preferencias: si no le damos lo que quieren, simplemente nos abandonan por nuestra competencia

Las empresas que aprovechan el infinito potencial del marketing basado en datos segmentan continuamente productos adaptados a las necesidades de sus clientes. Esto deja en enorme desventaja a las que no. 

Pero, ¿cómo saber qué clientes son más propensos a hacer un upgrade de su cuenta? ¿A qué usuarios nos conviene estimular para que contraten un mejor servicio? 

Estas conclusiones surgirán del desarrollo de un modelo predictivo, usando nuevamente una red neuronal o un random forest

En este caso el desafío radicará también en encontrar los datos/features de cada usuario que sean relevantes y sirvan para el problema que queremos atacar. 

Es importante tener presente que estos modelos nos dan como resultado una probabilidad de que un usuario realice un upgrade, entonces también hay que encontrar el umbral de probabilidad indicado.

Otra técnica es crear grupos de usuarios, segmentados por sus preferencias. De esta manera agrupamos usuarios similares en base a ciertos features para, así, fomentar que se comporten como sus pares del mismo grupo. 

Para crear estos grupos de usuarios se pueden utilizar técnicas de clustering como K-Means

Esta técnica se basa en agrupar una serie de vectores de acuerdo a la distancia entre ellos. Los vectores serían los usuarios que están representados, dependiendo de sus atributos, de manera tal que aparezcan juntos los que se parecen entre sí.

En estos casos también debemos tener en cuenta los atributos/features que usaremos para cada caso.

Tenemos que definir cuáles son los atributos por los cuales queremos agrupar a los usuarios (dinero gastado, cantidad de compras, frecuencia de actividad, etc.). Estos atributos deberán ser significativos y relevantes para armar los grupos.

¿Cómo sabemos qué método elegir?

Elegir un método predictivo o un método de agrupamiento depende de haber realizado un buen análisis de la problemática que estamos resolviendo, la calidad y cantidad de datos que hayamos recabado y el objetivo que nos hayamos propuesto. 

Cuanto más específica y profunda sea la ingeniería aplicada a la necesidad de la empresa, más acertado será el método que elijamos

Aquí será clave nutrirse de los profesionales adecuados, no solo con el conocimiento técnico requerido, sino también con la capacidad de entender nuestro negocio y determinar cuál será el camino más efectivo para lograr la solución a nuestro desafío.  

Siempre hay métodos que funcionan mejor para ciertos casos que para otros. Sabiendo el objetivo, aplicamos la técnica más pertinente, y con el resultado tendremos los usuarios a estimular para que hagan “upsell”.

Lifetime Value

El customer Lifetime Value (LTV) es una medida a largo plazo que considera el valor de un cliente en la relación que mantenga con nuestro sitio o marca. 

Uno de sus beneficios es que permite brindar un mejor servicio al cliente y fortalecer su fidelidad para que nuestra relación se extienda en el tiempo.  

El LTV está muy relacionado con la tasa de churn de un cliente, la cual se puede predecir a través de los datos históricos.

Concluyendo

Lograr un churn negativo es un objetivo clave, aunque nada fácil de lograr para las empresas. 

Alcanzarlo implica tener un claro panorama de los propios clientes, de manera que podamos segmentarlos entre quienes tienen más probabilidades de dejar nuestra empresa/plataforma, aquellos más propensos a hacer un upselling y los que podemos estimular para que realicen más compras basadas en cross-selling. 

El equipo de 7Puentes está altamente capacitado para ayudarte a anticipar el comportamiento de tus usuarios/clientes y lograr un churn negativo.

A partir de un procesamiento inteligente de los datos que generan tu app, web o plataforma, desarrollamos modelos adecuados a la necesidad de tu negocio.

Conocé más sobre nuestra propuesta para tu Startup y contactanos.


Deja un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *