Predicción de abandono de clientes

Acerca de la predicción de abandono de clientes

La predicción de la deserción de clientes es el proceso de utilizar datos históricos para identificar qué clientes o cuentas tienen más probabilidades de irse (o de abandonar el servicio) antes de que esto ocurra realmente. Esto le da a tu equipo una señal para actuar antes de que sea demasiado tarde, lo que puede mejorar la retención de clientes y reducir la rotación de clientes para tu organización. Un modelo de predicción de abandono de clientes es solo una parte de un programa eficaz de experiencia del cliente ; no reduce el abandono por sí solo, pero sí ayuda a determinar a qué clientes objetivo las intervenciones antes de que abandonen el servicio.

La predicción de la deserción de clientes no es una capacidad única. Un programa completo de predicción de abandono aborda 5 preguntas distintas: quién está en riesgo, por qué, qué cohortes son las más vulnerables, qué intervenciones funcionan y si esas intervenciones marcaron la diferencia. Cada pregunta requiere datos diferentes, métodos diferentes y acciones diferentes.

Consejo Q¿Quieres empezar? Contacto con tu equipo de cuenta para analizar los casos de uso para la reducción de la deserción de clientes y el enfoque adecuado para su programa. 

Preguntas de negocios para responder

Los programas de retención de clientes son más eficaces cuando abordan el panorama completo; no solo quién está en riesgo, sino por qué y qué hacer al respecto. La tabla que aparece a continuación resume las preguntas clave del negocio y cómo Qualtrics da soporte a cada una de ellas.

Consejo QEl enfoque adecuado depende de la madurez de su programa, la disponibilidad de datos y los objetivos comerciales. Contacto con tu equipo de cuenta para definir el alcance de la solución adecuada a sus necesidades.

Primeros pasos con la predicción de abandono de clientes

El enfoque adecuado para predecir la deserción de clientes depende de la madurez de su programa, la disponibilidad de datos y los objetivos comerciales. Contacto con su equipo de cuenta para hablar sobre:

• ¿Qué datos tiene actualmente y cuáles necesitaría recopilar?
• ¿Cuáles de las cinco preguntas empresariales anteriores son las más relevantes para su programa en este momento?
• ¿Cómo sería un alcance y un cronograma realistas en su contexto?

¿Qué datos necesita?

La predicción de la deserción de clientes funciona mejor cuando se combinan varias fuentes de datos. Tenga en cuenta que estas fuentes son sugerencias generales, y las métricas exactas que usted monitoree dependerán de su sector, programa de CX , pregunta de negocio de interés y caso de uso:

• Datos de experiencia: Puntuaciones de satisfacción (NPS, CSAT, CES), opinión abiertos, respuestas a encuesta relación y transacciones, y opinión no solicitados (publicaciones en redes sociales, reseñas en línea, centro de contacto ). 
• Datos operativosDependiendo de su sector, esto podría incluir mediciones como la antigüedad de la cuenta , el uso del producto, el volumen de ticket de soporte, el valor del contrato, el historial de compras, el comportamiento de pago y más.
• Datos históricos: Un registro histórico de qué clientes realmente abandonaron el servicio, que se utiliza para entrenar y validar el modelo.

Consejo QLos datos de Encuesta por sí solos presentan limitaciones significativas para la predicción de la deserción de clientes. Los clientes poco comprometidos (a menudo los que corren mayor riesgo) son menos propensos a completar las encuestas, lo que crea lagunas sistemáticas en la cobertura. La combinación de las señales de las encuesta con otros datos de comportamiento, operativos o de experiencia produce modelos más precisos y reduce el sesgo de respuesta.

Liderando vs. Indicadores rezagados

No todas las señales de datos son iguales. Al diseñar un programa de predicción de abandono de clientes, resulta útil distinguir entre indicadores adelantados y rezagados. Un programa de retención eficaz se basa en indicadores clave de rendimiento. El objetivo es identificar el riesgo con la suficiente antelación para que la intervención aún sea posible y eficaz.

• Indicadores principales Son señales que aparecen antes de que un cliente se dé de baja, lo que le da tiempo a tu equipo para actuar. Algunos ejemplos son la disminución de los índices de participación, la reducción del uso del producto, el aumento de los contactos con el servicio de asistencia, el aumento de los índices de esfuerzo en todos los canales de contacto y los cambios en los métodos de pago.
• Indicadores rezagados Son señales que confirman que la rotación de personal se ha producido o es inminente, pero dejan poco tiempo para intervenir. Algunos ejemplos son los avisos de no renovación de contratos, las solicitudes de cierre de cuenta y los pagos fallidos.

Requisitos para una predicción exitosa de la deserción de clientes

La predicción de la deserción a nivel individual (que puntuación a cada cliente o cuenta una probabilidad de abandono) es uno de los tipos de predicción más exigentes. Requiere:

• Alto volumen de datos: Suficientes registros históricos para identificar patrones significativos, incluyendo suficientes ejemplos de eventos reales de rotación de clientes.
• Datos limpios y estructuradosLos datos inconsistentes, los valores faltantes y las estructuras de datos inestables degradan el rendimiento del modelo.
• Preparación experta de datosLa ingeniería de Función , la recodificación de variables y la unión de datos son requisitos previos que consumen mucho tiempo y requieren conocimientos especializados en ciencia de datos.
• Mantenimiento continuoLos modelos requieren reentrenamiento a medida que los datos y el comportamiento cambian con el tiempo.