Previsão de rotatividade

Sobre a previsão de rotatividade

A previsão de rotatividade é o processo de utilizar dados históricos para identificar quais clientes ou contas têm maior probabilidade de sair (ou apresentar rotatividade) antes que isso realmente aconteça. Isso dá à sua equipe um sinal para agir antes que seja tarde demais, o que pode melhorar a retenção de clientes e reduzir a rotatividade na sua organização. Um modelo de rotatividade é apenas uma parte de um programa eficaz experiência de cliente, Customer Experience; por si só, ele não reduz a rotatividade, mas ajuda a identificar quais clientes devem destino de intervenções antes que eles deixem a empresa.

A previsão de rotatividade não é uma única funcionalidade. Um programa completo de previsão de cancelamento aborda cinco questões distintas: quem está em risco, por quê, quais coortes são mais vulneráveis, quais intervenções funcionam e se essas intervenções fizeram diferença. Cada questão exige dados diferentes, métodos diferentes e ações diferentes.

Qdica: Quer começar? Contato sua equipe conta para discutir casos de uso relacionados à redução da rotatividade e a abordagem mais adequada para o seu programa. 

Perguntas sobre negócios a serem respondidas

Os programas de retenção de clientes são mais eficazes quando abordam o quadro completo; não apenas quem está em risco, mas também por quê e o que fazer a respeito. A tabela abaixo apresenta as principais questões de negócios e como Qualtrics oferece suporte a cada uma delas.

Qdica: A abordagem correta depende da maturidade do seu programa, da disponibilidade dos dados e das metas de negócios. Contato sua equipe conta para definir a solução mais adequada às suas necessidades.

Introdução à previsão de rotatividade

A abordagem correta para a previsão de rotatividade depende da maturidade do seu programa, da disponibilidade de dados e das metas de negócios. Contato sua equipe conta para discutir:

• Quais dados você já possui e quais precisaria coletar?
• Quais das cinco questões de negócios acima são mais relevantes para o seu programa neste momento?
• Como seria um escopo e um cronograma realistas para o seu contexto?

Quais dados você precisa?

A previsão de rotatividade funciona melhor quando se combinam várias fontes de dados. Observe que essas fontes são sugestões gerais, e as métricas exatas que você acompanhará dependerão do seu setor, do seu programa CX, da questão de negócios em questão e do caso de uso:

• Dados de experiência: índices de satisfação (NPS, CSAT, CES), comentários abertos, respostas pesquisa relação e transações, além de comentários espontâneos (publicações nas redes sociais, avaliações online, central contato ). 
• Dados operacionais: Dependendo do seu setor, isso pode incluir métricas como tempo de permanência conta, uso do produto, volume tíquete de suporte, valor do contrato, histórico de compras, comportamento de pagamento e muito mais.
• Dados históricos: um registro histórico dos clientes que realmente cancelaram a assinatura, utilizado para treinar e validar o modelo.

Qdica: Os dados Pesquisa, por si só, apresentam limitações significativas para a previsão de rotatividade. Clientes desengajados (muitas vezes os que correm maior risco) têm menos probabilidade de responder pesquisas, o que gera lacunas sistemáticas na cobertura. A combinação de sinais pesquisa com outros dados comportamentais, operacionais ou de experiência gera modelos mais precisos e reduz o viés de resposta.

Liderança vs. Indicadores defasados

Nem todos os sinais de dados são iguais. Ao desenvolver um programa de previsão de rotatividade, é útil distinguir entre indicadores antecedentes e indicadores atrasados. Um programa de retenção eficaz baseia-se em indicadores antecipados. O objetivo é identificar o risco com antecedência suficiente para que a intervenção ainda seja possível e eficaz.

• Os indicadores antecipados são sinais que surgem antes que um cliente cancele sua assinatura, dando à sua equipe tempo para agir. Entre os exemplos estão a queda nos índices de engajamento, a redução no uso do produto, o aumento nos contatos com o suporte, o aumento nos índices de esforço em todos os canais contato e mudanças nos métodos de pagamento.
• Os indicadores atrasados são sinais que confirmam que a perda de clientes já ocorreu ou está prestes a ocorrer, mas deixam pouco tempo para uma intervenção. Entre os exemplos estão notificações de não renovação de contrato, solicitações de encerramento conta e pagamentos não realizados.

Requisitos para uma previsão de cancelamento bem-sucedida

A previsão de cancelamento no nível individual (pontuação cada cliente ou conta, indicando a probabilidade de cancelamento) é um dos tipos de previsão mais complexos. É necessário:

• Grande volume de dados: registros históricos suficientes para identificar padrões significativos, incluindo exemplos suficientes de casos reais de cancelamento.
• Dados limpos e estruturados: dados inconsistentes, valores ausentes e estruturas de dados instáveis prejudicam o desempenho do modelo.
• Preparação especializada de dados: a engenharia Característica, a recodificação de variáveis e a junção de dados são etapas prévias que exigem muito tempo e conhecimento especializado em ciência de dados.
• Manutenção contínua: os modelos precisam ser retreinados à medida que os dados e os comportamentos mudam com o tempo.