Search

Proyectos de Retención con Modelos de Churn

En este artículo explicaremos cómo implementamos modelos de churn en proyectos de retención para una aseguradora. Describimos el desarrollo del modelo para solucionar el problema de pérdida de clientes y apuntar al objetivo deseado: identificar a tiempo quiénes tienen mayor probabilidad de darse de baja para accionar al respecto y retenerlos.


Tipos de bajas: voluntarias e involuntarias

Nos referimos a bajas voluntarias cuando el usuario decide discontinuar con el servicio por diferentes motivos, en cambio las involuntarias se dan cuando al cliente se lo da de baja por falta de pago por ejemplo sin que esa persona haya tomado la decisión de abandonar el servicio. Para evitar estas bajas, vamos a realizar distintas acciones en cada uno. Por ejemplo:

  • Como las bajas involuntarias se realizan de forma automática por el sistema a causa de la falta de pago del servicio, en este caso nuestra acción podría ser facilitarle al cliente una bonificación o bien otro medio de pago.

  • En el caso de las bajas voluntarias, contando con encuestas de motivos de rescisión, es posible también realizar un modelo adicional para no solamente predecir quiénes se darán de baja sino también por qué. No es lo mismo actuar sobre un usuario que no puede seguir pagando a que un usuario ya no necesite el seguro.

Desempeño técnico

En el siguiente gráfico le mostramos al cliente cuánto puede llegar a captar actuando sobre el top x% de más probabilidad de abandono. Por ejemplo, en un caso de bajas involuntarias de seguros de vida, la tasa de abandono para toda la cartera es de 2,6%, mientras que seleccionando al top 5% según el modelo, se incrementa 12 veces hasta 33%. En cuanto a las bajas capturadas del total (ganancia), una selección al azar del 5% de la cartera obtendría el %5 del total de las bajas, mientras que el modelo llega a 65%. En esta fase técnica se le demuestra al cliente con qué precisión es posible predecir con antelación qué clientes van a rescindir su contrato. Es necesario analizar estos resultados al iniciar un proyecto para luego pasar a la implementación real.

Acción

Suponiendo que la cartera de la aseguradora es de 100.000 clientes, a partir de nuestro modelo le presentamos a la aseguradora una lista de las 5.000 personas (5%) que tienen más probabilidad de darse de baja para que actúen directamente sobre ellos. Nuestra predicción nos dice que 1.650 personas (33%) se van a dar de baja, pero finalmente luego de accionar se terminaron dando de baja 825. Esto quiere decir que nuestra acción logró recuperar a la mitad. Como la mitad de 65% es 32,5%, le demostramos al cliente que con nuestro proyecto de retención proactiva logra recuperar a 1 de cada 3 bajas.


Recupero monetario

Para un resultado más tangible, es necesario demostrar qué cantidad de ingresos representan esas 825 personas. Para esto debemos saber ¿cuánto paga cada uno de ellos por el servicio? La respuesta es lo que se retuvo $ en un mes. Si cada uno de ellos paga $500 mensuales entonces el valor retenido será de $412.500 cada mes.


Control

El hecho de lograr retener un número de clientes que tenía probabilidad de darse de baja no nos asegura que no lo hagan más adelante. Por eso, tenemos que seguir midiendo la supervivencia del grupo actuado y el control a lo largo de los meses siguientes. El primer mes sobrevive un x% que luego va bajando. Aquellos que tienen tendencia a acumular deuda, el mes que accionamos puede que hayan recordado y efectuado el pago pero luego eso va a volver a suceder. Es sumamente necesario que identifiquemos estos patrones y sigamos accionando sobre el grupo con más probabilidad de darse de baja. En muchos casos se vuelve a actuar sobre los mismos clientes luego de ciertos meses transcurridos.


Conclusión

Casos de éxito demuestran que un proyecto de retención proactiva basado en modelos predictivos combinados con acciones eficaces pueden ser altamente rentables. Les dejamos un par de ideas más para pensar:

  • ¿Qué tan importante es la efectividad de la acción de retención?

  • ¿Podría ser conveniente ponderar la probabilidad de baja con la rentabilidad?

#churn #modelospredictivos #proyecto #proyectoderetencion #aseguradora #datamining #mineriadedatos #clientes #bajasvoluntarias #bajasinvoluntarias #modelosdechurn #recuperomonetario #probabilidades #desempeño

272 views