Por Carolina Martínez Troncoso, Académica del Departamento de Ingeniería y de Sistemas de la UC
Hoy es posible anticiparse a la fuga de clientes o customer churn, gracias a sofisticados modelos predictivos. Atención con las alertas tempranas que entregan los mismos clientes.
No es un misterio para nadie que, en los últimos años, el consumidor ha adoptado un rol activo en el proceso de compra, generando expectativas cada vez más altas y brindando absoluto protagonismo al concepto de “experiencia del cliente”. Por otro lado, la oferta ha tenido que adaptarse a los altos grados de competitividad prevalecientes en casi todos los mercados, desarrollando propuestas de valor superiores. Sin embargo, dichas propuestas pueden debilitarse en el camino, provocando un fenómeno particular llamado “fuga de clientes” (en inglés customer churn). En el último tiempo, ha sido noticia la fuga masiva de suscriptores de Netflix y VTR.
Para el gigante del streaming, la posible explicación de la pérdida de suscriptores se basa en el cambio de política de precios asociado a las restricciones para compartir claves. Por su parte, en el caso de VTR, la fuga comenzó durante el peak de la pandemia, debido a que la compañía se posicionó como el proveedor de internet con más reclamos por problemas de servicio.
Entonces, técnicamente, ¿qué es la fuga de clientes? En palabras simples, la tasa de fuga (en inglés churn rate) corresponde al porcentaje de clientes que cancelan un contrato o suscripción con un proveedor de servicios. En este sentido, los avances en big data, machine learning y ahora deep learning, sumado a la necesidad de retener al activo más importante que posee una compañía, es decir, “sus clientes”, han potenciado la implementación de modelos de fuga cada vez más sofisticados.
Tácticas de retención
Un modelo predictivo identifica, con base en una serie de variables, a los clientes que tienen mayor probabilidad de fuga antes de que ocurra. Esto implica que se pueden desplegar tácticas de retención para evitar la salida.
Las más utilizadas son las compensaciones, ya sea entregando algún descuento, regalo o beneficio que atraiga de nuevo al cliente. Ahora bien, las industrias en donde existen contratos o suscripciones de por medio, y que, por tanto, permiten identificar claramente el estado de fuga/no fuga de un cliente, son quienes implementan en mayor medida estos modelos predictivos. Comúnmente la banca, el sector de las telecomunicaciones, el contenido streaming, entre otras.
Retomando el caso de VTR, por ejemplo, los reclamos podrían funcionar como una “advertencia temprana” de que algo está pasando y que se debe prestar atención, estudiando en profundidad el fenómeno. Monitorear tanto la tasa como el contenido de los reclamos e introducir esta información en un modelo predictivo de fuga, podría ayudarnos a implementar tácticas de retención mucho más personalizadas.
Es así como en el trabajo Predicting Customer Churn Using Voice of the Customer. A Text Mining Approach efectivamente se implementa. Este estudio crea un diccionario customizado para extraer “motivos de fuga” (o predictores) desde reclamos y solicitudes en formato texto facilitados por un banco chileno. Posteriormente, dichos predictores son usados para construir modelos de fuga usando distintas familias de clasificadores. Por ejemplo, regresiones logísticas, árboles de decisión, redes neuronales, máquinas de vectores de soporte, por nombrar algunas.
En relación con los hallazgos, uno muy interesante da cuenta de que, en los reclamos, los clientes expresan explícitamente su “intención de fuga” y, de dicho total, el 31% cumple la promesa de terminar la relación contractual con el banco.
Leer también: Qué es el síndrome de Procusto, ¿cómo saber si soy víctima?
Además, se demuestra que la variable “precio” sigue siendo uno de los predictores más potentes de la conducta de salida. Cuando los clientes reclaman sobre este aspecto, en este caso la tasa de interés o comisiones, si el precio se percibe como injusto o deshonesto o el precio aumentó sin mejorar la propuesta de valor, hay una mayor probabilidad de fuga asociada.
De la misma forma, cuando ha ocurrido una “falla de servicio grave” que trajo consigo no solo una pérdida monetaria, sino que también emocional, haciendo pasar un mal rato al cliente, aumenta la probabilidad de fuga.
La principal contribución de este trabajo es que demuestra que se puede construir un modelo de fuga usando solo datos en formato texto, y plantea el desafío de incorporar al modelo predictores de caracterización del cliente, como datos sociodemográficos y de conducta de compra que permitan desplegar tácticas de retención que sean percibidas como customizadas y que pongan al cliente en el centro de la estrategia.
