Ciencia de datos | Actualmente, las empresas de consumo masivo y las diversas industrias de servicios tienen que lidiar con la rotación de clientes. Se trata de un factor fundamental para estimar los ingresos de la empresa y, por ende, influir en las ventas.
Claramente, un aumento en la retención de clientes significa una reducción proporcional en los costos, ya que adquirir clientes nuevos es mucho más costoso que retener a los existentes.
El objetivo de estudiar la rotación de clientes no está relacionado con las fallas del producto o el equipo de trabajo, sino más bien con crear una estrategia para mejorar la retención de clientes con datos concretos del comportamiento del cliente.
En los hechos, las empresas que usan técnicas de customer analytics son más rentables que aquellas que no las usan. En estos casos, valerse de la ciencia de datos no es una excepción sino el estándar necesario para tomar medidas que aumenten la rentabilidad del negocio.
A partir de este propósito, se pueden implementar modelos de churn, es decir, modelos predictivos que calculan la tasa de rotación o cancelación de clientes, especialmente cuando se trata de plataformas digitales.
¿Qué es el churn rate?
Cuando hablamos de churn rate (comúnmente llamado churn), nos estamos refiriendo a la tasa de migración, rotación o cancelación de clientes, suscriptores o usuarios a un determinado servicio que ofrece una empresa durante un período de tiempo. En pocas palabras: es la tasa de abandono de los usuarios de nuestra plataforma.
¿Cómo medirlo?
Aunque no existe consenso en cómo medir el churn rate, lo más usual es calcularlo según períodos de tiempo de corto, mediano y largo plazo. Los valores usuales son: semanal, mensual y trimestral (7TD – 30TD – 90TD).
A diferencia de una empresa de servicios, donde la baja del usuario se asienta en registros legales y contractuales, en las apps el funcionamiento es otro: los usuarios simplemente dejan de usar la app, sin avisar fehacientemente ni registrarlo. Podría decirse que la baja es estimada.
Ganar nuevos usuarios suele ser el foco de los esfuerzos de marketing, no obstante si el usuario no vuelve a usar o deja de usar la app regularmente, esos esfuerzos terminan siendo en vano.
Construcción de modelos de churn con ciencia de datos
Si bien dependerá del sector al que pertenezca la empresa que se esté considerando, la regla general es entender el comportamiento del usuario en el pasado para poder predecir el comportamiento de otros usuarios en el futuro. Algunas variables que deberán considerarse son las siguientes (podrán aplicarse o no, dependiendo del tipo de negocio):
A) Interacción con la plataforma/app/servicio.
-Cuántas acciones realizó en los últimos N días.
-Cuándo realizó la última interacción, que involucre operaciones monetarias o no.
-Total de dinero gastado en los últimos N días.
B) Qué tan completo está el perfil del usuario (email, tarjeta de crédito, etc.).
C) Qué servicios tiene contratados.
D) Cuándo expira el período de prueba.
E) Interacciones con los servicios de ayuda, soporte técnico y quejas.
El primer conjunto de variables refiere al modelo de valuación del cliente, conocido como RFM – Recencia, Frecuencia, valor Monetario. Este modelo se puede refinar para cada tipo de acción (navegación, búsqueda, compra, etc.).
¿Cómo usar las métricas de comportamiento a nuestro favor? El proceso para lograr gestionar la tasa de cancelación (churn rate) con mayor eficiencia se resume en:
1) Usar los datos de suscripción mencionados anteriormente para generar métricas de cancelación (ejemplos clásicos de suscriptores que abandonaron o renovaron el servicio).
2) Reunir la información de eventos en un almacén de datos (data warehouse), que resume los eventos relacionados con el comportamiento de cada suscriptor (acciones e interacciones específicas con el servicio o la plataforma).
3) Análisis de la cancelación: las métricas de comportamiento para cancelación o renovación del suscriptor se utilizan juntas en este análisis; el análisis de la cancelación identifica de manera rigurosa qué comportamientos de los suscriptores son predictivos de renovación y cuáles son predictivos de cancelación, y pueden crear una predicción de riesgo de cancelación para cada suscriptor.
4) Segmentación de suscriptores: en función de sus características y riesgos, los suscriptores se dividen en grupos o segmentos que combinan aspectos de su nivel de riesgo, sus comportamientos reales y cualquier otra característica que se considere significativa frente al servicio. El propósito de estos segmentos es dirigirlos a intervenciones diseñadas para maximizar la vida útil del suscriptor y el compromiso con el servicio (acciones de marketing, promociones, campañas personalizadas, ofertas o descuentos. Otro tipo de intervención a largo plazo son los cambios de valor en el producto o servicio de suscripción en sí, y la información del análisis de cancelación también es muy útil para este fin.
Sin dudas, predecir la rotación de clientes es una tarea compleja que necesita cada vez más de la ciencia de datos. Pero prevenir esta rotación es aún más difícil, por un simple motivo: para evitar la deserción a largo plazo y de manera confiable, un servicio debería mejorar el beneficio brindado por el servicio o reducir el costo incurrido por el uso del servicio.
Determinar los componentes que habrían sido necesarios para evitar que un suscriptor dejara de consumir un servicio que usaba en el pasado pero que ya no usa (contenido ofrecido, características o grado de usabilidad de la plataforma, interfaz, ofertas, precios, competencia, etc.) es una de las claves para aumentar el valor final que reciben los usuarios.
Bonus track: las batallas del streaming para no perder clientes
El caso del streaming resulta ejemplar: cada vez más los usuarios migran de un servicio a otro, haciendo que las plataformas deban esmerarse con grandes estrenos para mantener a sus suscriptores cautivos.
Desde fines de 2019, la aparición de Disney+ y Apple TV+ ensanchó la competencia sobre Netflix. Se trata de una competencia feroz por cada suscriptor, en un contexto en el que el usuario se enfrenta a la fatiga de servicios que funcionan con pago recurrente.
Todo ello ha ocasionado una eclosión de estrenos y series, algo que la pandemia de COVID-19 no ha hecho más que aumentar. Como resultado, hoy las plataformas de streaming se han convertido en las puntas de lanza de varios estudios que han visto cómo las salas de cine permanecían cerradas o muy afectadas económicamente. Recientemente, la firma Antenna Data ha publicado las primeras grandes estimaciones sobre el “churn rate” de las principales plataformas de streaming en Estados Unidos. Y estos datos pueden llevar a comprender si el paso de las salas de cine a streaming es un comportamiento temporal o un fenómeno que llegó para quedarse.
Claramente los estudios con plataformas propias pueden quedarse con más beneficios al no compartir los derechos de exhibición con las salas y distribuidoras. A ello se suma que los servicios de streaming han ido aumentando paulatinamente el precio de sus suscripciones a medida que van ganando peso y catálogo, lo que podría redundar en un ecosistema volátil: el amante de las series y el cine iría rotando según el estreno de turno. No obstante ello, las estimaciones prevén que el abanico de servicios de streaming se siga agrandando durante los próximos años.