Come migliorare la conservazione con Churn Prediction Analytics

La previsione dell'abbandono utilizza modelli di intelligenza artificiale (AI) e machine learning (ML) per identificare quali clienti sono a rischio di abbandono . Con queste informazioni, le aziende possono adottare le misure necessarie per ottimizzare le aree della loro attività che causano attrito e tenere sotto controllo i livelli di abbandono dei clienti.

I clienti si agitano per molte ragioni, dalle esperienze negative del servizio clienti alla ricerca di offerte migliori da un concorrente o alla percepita mancanza di valore dal tuo prodotto. Migliorare la fidelizzazione dei clienti e mantenere basso il tasso di abbandono è vitale, soprattutto perché acquisire nuovi clienti è costoso.

Cos'è la previsione dell'abbandono?

La previsione dell'abbandono è un processo in cui le aziende utilizzano modelli di intelligenza artificiale e ML per prevedere quali clienti corrono il rischio più elevato di porre fine al loro patrocinio. La previsione dell'abbandono utilizza i dati dei clienti in base al comportamento e all'utilizzo degli utenti. La previsione e la prevenzione dell'abbandono dei clienti consente alle aziende di:

• Identificare i clienti a rischio e attuare sforzi altamente mirati per impedire che si muovano.
• Identifica i punti deboli e gli attriti durante il percorso del cliente.
• Identifica le strategie che mirano a questi punti deboli per ridurre l'abbandono e aumentare i tassi di fidelizzazione.

È davvero possibile prevedere l'abbandono dei clienti?

Grazie agli algoritmi di machine learning e ai big data, prevedere l'abbandono dei clienti è, infatti, una possibilità. Le tecniche di analisi dei dati vengono utilizzate per esaminare le tendenze e gli schemi comportamentali passati nel comportamento dei clienti.

L'idea è che puoi identificare comportamenti specifici come azioni a rischio di abbandono e affrontarli prima che sia troppo tardi. Queste sono spesso indicate come metriche di bandiera rossa . Ad esempio, potresti scoprire che i clienti che non ti seguono sui social media o che disinstallano la tua app corrono un rischio maggiore di abbandono.

Quando si effettua la previsione dell'abbandono, è importante tenere a mente quanto segue:

• La proattività è fondamentale quando si tratta di fidelizzazione dei clienti. La previsione dell'abbandono dovrebbe aiutarti a impostare piani per interagire con i clienti a rischio nel momento in cui vengono contrassegnati come tali.
• Assicurati che la tua tecnica di previsione dell'abbandono identifichi accuratamente i clienti che potrebbero andarsene. L'errata identificazione dei clienti a rischio potrebbe portarti a spendere risorse in campagne di sensibilizzazione e offerte speciali senza motivo, con conseguente riduzione delle entrate.
• È necessario un modello di previsione dell'abbandono basato su origini dati ottenute in tempo reale. Questi dati riflettono i comportamenti attuali e porteranno a previsioni più accurate.

Previsione di abbandono per le società di abbonamento

Le aziende con modelli di business basati sulla vendita di servizi in abbonamento (SaaS B2B, streaming musicale e telecomunicazioni, solo per citarne alcuni) fanno affidamento sui ricavi ricorrenti che generano dai propri clienti. La previsione dell'abbandono degli abbonamenti, la fidelizzazione dei clienti e l'aumento del valore della vita del cliente sono particolarmente importanti per tali aziende.

Durante un'intervista con AltexSoft, l'allora direttore generale di Service Hub di HubSpot, Michael Redbord, ha affermato che:

Tassi di abbandono elevati significano meno entrate a causa di un numero ridotto di clienti. Inoltre, è probabile che le persone che lasciano un'azienda a causa di esperienze negative lascino recensioni negative, incidendo sulla sua immagine e rendendo ancora più difficile attirare nuovi clienti.

Esistono molti tipi di fornitori di servizi basati su abbonamento che possono trarre vantaggio dall'utilizzo della previsione dell'abbandono. Alcuni di questi settori includono:

Servizi di streaming di musica e video

Queste aziende offrono accesso su richiesta a musica, programmi TV e film ai propri abbonati. Esempi di tali società includono Netflix e Spotify. Secondo il rapporto 2022 Digital Media Trends di Deloitte, i servizi di streaming video a pagamento negli Stati Uniti hanno registrato un tasso di abbandono costante del 37% dal 2020.

Mezzi di informazione

Le società di media hanno spostato la loro attenzione sul digitale negli ultimi anni. Nel 2021, il 65% delle persone negli Stati Uniti ha affermato di non aver mai o raramente ricevuto notizie dalla carta stampata. Organizzazioni come il New York Times e il Financial Times offrono ai propri clienti pacchetti di abbonamento digitali in cui possono accedere a notizie e informazioni attraverso le loro piattaforme online.

Nonostante il passaggio al digitale, le app di notizie mobili hanno registrato ancora un tasso di disinstallazione del 25% nel 2022.

Fornitori di servizi di telecomunicazioni

Le società di telecomunicazioni offrono una gamma di servizi basati su abbonamento come servizi wireless, TV, Internet e telefoni cellulari. Tali società includono AT&T e Vodafone. Nel 2020, le società di telecomunicazioni hanno registrato un tasso di abbandono del 20%.

Società di software come servizio (SaaS).

Le aziende SaaS includono qualsiasi azienda che offre un tipo di servizio basato su cloud. Potrebbe trattarsi di qualsiasi cosa, dai servizi di progettazione grafica online come Canva alle piattaforme di e-commerce come Amazon.

Secondo Woopra, il tasso di abbandono mensile medio per le aziende SaaS è compreso tra il 3% e l'8%. Annualmente, questo è del 32-50%.

Comprendere i cicli di vita dei tuoi clienti

Prima di poter prevedere l'abbandono, è necessario comprendere i cicli di vita dei clienti. Uno strumento di analisi del prodotto come Amplitude Analytics può suddividere gli utenti attivi in ​​quattro sottogruppi: nuovi utenti, utenti attuali (attivi), utenti resuscitati (precedentemente inattivi) e utenti dormienti (inattivi). Dovresti tenere d'occhio ogni gruppo di utenti per assicurarti che la base di utenti del tuo prodotto cresca nel tempo.

Questa visualizzazione aiuta a misurare l'abbandono in modo continuo, in modo da poter agire per ridurlo. Dovresti sforzarti di aumentare il numero di utenti attuali e resuscitati mantenendo gli utenti coinvolti o dando loro un motivo per diventare di nuovo attivi. Ti consigliamo inoltre di ridurre il numero di utenti dormienti; se questo gruppo inizia a crescere, potresti avere un problema di coinvolgimento tra le mani.

Modello di previsione dell'abbandono: la chiave per migliorare la fidelizzazione dei clienti

Grazie a strumenti come CRM e software di analisi, le aziende possono accedere a grandi set di dati pieni di informazioni sui propri clienti durante tutto il loro ciclo di vita. Questi dati storici sono fondamentali per costruire il modello di previsione dell'abbandono dei clienti utilizzando strumenti come Amplitude Audiences.

Puoi costruire il tuo modello di previsione dell'abbandono seguendo cinque passaggi.

1. Identifica i tuoi obiettivi di previsione dell'abbandono

Il primo passaggio per garantire prestazioni ottimali del modello di previsione dell'abbandono è identificare e definire ciò che si desidera ottenere dal modello. Ad alto livello, miri a:

• Riduci l'attrito dei clienti identificando quali dei tuoi clienti sono a più alto rischio di abbandono.
• Comprendi i motivi per cui è probabile che i tuoi clienti a rischio cambino.
• Progetta e implementa i cambiamenti nel percorso del cliente per promuovere la fidelizzazione dei tuoi clienti a rischio.

2. Preparazione dei dati

Sia attraverso il tuo CRM, il software di analisi o il feedback diretto dei clienti, raccogli i dati dai tuoi clienti in ogni punto di contatto del loro percorso di acquisto.

La raccolta di dati rilevanti sui clienti e la loro disponibilità per la classificazione e l'estrazione è il secondo passo verso la creazione del modello di previsione dell'abbandono. Se stai utilizzando uno strumento di analisi, leggi la nostra Guida ai dati comportamentali e al monitoraggio degli eventi per scoprire come raccogliere dati accurati.

3. Lavorare con le funzionalità

Usa l'ingegneria delle funzionalità per rappresentare e classificare i clienti in base alle caratteristiche che probabilmente li fanno cambiare. Esistono cinque tipi di funzionalità quando si parla di abbandono dei clienti:

• Caratteristiche del cliente: si tratta di informazioni generali e demografiche sul cliente, come la sua età, quanto guadagna e il suo livello di istruzione.
• Funzionalità di supporto: si riferiscono alle interazioni che i tuoi clienti hanno con il tuo team di assistenza clienti, incluso il numero di e-mail inviate, il tempo necessario per la risoluzione e le valutazioni di soddisfazione dopo che il problema è stato risolto.
• Funzionalità di utilizzo: descrivono gli elementi di come un cliente utilizza il tuo prodotto o servizio. Ad esempio, la durata media delle chiamate per i clienti delle società di telecomunicazioni o il numero di volte in cui gli utenti accedono a un'app.
• Funzionalità contestuali: includono qualsiasi informazione basata sul contesto che un'azienda ha sul cliente. Questo potrebbe essere il sistema operativo che usano sul proprio dispositivo o i loro acquisti passati.
• Caratteristiche comportamentali : questi sono i comportamenti e le azioni specifici che i clienti intraprendono all'interno del tuo prodotto. Ad esempio, il numero di volte in cui un utente condivide una playlist in un'app di streaming musicale.

Una volta identificate le caratteristiche su cui concentrarti, dovrai estrarle per standardizzare le variabili o gli attributi. Dovresti selezionare solo le informazioni rilevanti per l'analisi dell'abbandono.

4. Costruisci il tuo modello

Gli algoritmi ML in genere funzionano utilizzando la classificazione binaria, che organizza le variabili di destinazione e fornisce loro un valore vero o falso. In altre parole, quella caratteristica specifica ha fatto agitare il tuo cliente o no? Ad esempio, la disinstallazione dell'app dal telefono in genere porta all'abbandono dei clienti?

Un altro modello predittivo comune è un albero decisionale, che utilizza tutte le funzionalità disponibili e fornisce potenziali risultati. Il modello dell'albero decisionale fornirà più scenari per vedere se un cliente si ritirerà o meno.

Nel caso di aziende che lavorano con set di dati più grandi, è possibile costruire modelli predittivi su numerosi alberi decisionali, detti anche foresta casuale. In una foresta casuale, ogni albero decisionale ha una classificazione con una risposta positiva o negativa. Se la maggior parte degli alberi decisionali fornisce risposte positive, la previsione finale sarà positiva.

5. Monitoraggio del tuo modello

Una volta che il tuo modello è pronto, è il momento di integrarlo nel tuo strumento di previsione. Con questo strumento, puoi testare e monitorare le prestazioni del tuo modello e apportare eventuali modifiche alle funzionalità, se necessario. Implementi il ​​tuo modello scelto e lo mandi in produzione. Se funziona bene, puoi aggiornare la tua applicazione esistente o usarla come fulcro di un nuovo prodotto.

Creazione di un modello di previsione in uno strumento di analisi

Esaminiamo come creare un modello di previsione in uno strumento di analisi come Amplitude.

1. Definire una coorte iniziale o un gruppo di utenti

2. Prevedere il loro stato di esito futuro

Le previsioni utilizzano il comportamento passato per prevedere il comportamento futuro. Uno strumento di analisi come Amplitude esaminerà gli utenti che erano nella coorte di partenza due periodi fa e identificherà gli utenti che hanno raggiunto il risultato desiderato un periodo fa, così come quelli che non l'hanno fatto.

3. Classifica e valuta gli utenti in base a questo modello

Il modello predittivo calcola un punteggio probabilistico per ogni utente nella coorte di partenza per raggiungere il risultato desiderato nei prossimi 7, 30, 60 o 90 giorni. Il modello si riqualifica ogni giorno per tenere conto dei dati stagionali.

L'immagine qui sotto esamina il 5% superiore.

4. Usa le coorti predittive per informare il tuo prodotto e le tue strategie di marketing

Puoi utilizzare le coorti predittive per segmentare gli utenti in base alla loro probabilità di abbandono. Trasforma i tuoi utenti classificati dal passaggio 3 in una nuova coorte e retargetali:

• Includerli in campagne di marketing volte ad aumentare la fidelizzazione
• Offrendo prezzi dinamici, comprese tariffe scontate o offerte speciali
• Personalizzazione dei contenuti e delle esperienze di prodotto in base alle loro preferenze
• Regolazione della frequenza dei messaggi in base alla loro probabilità di conversione o abbandono
• Esecuzione di test A/B personalizzati per sperimentare nuovi siti Web o modifiche ai prodotti

Ad esempio, se trovi una coorte di utenti con un'alta probabilità di abbandono, potresti utilizzare tattiche di prezzo inverse per offrire loro uno sconto o un incentivo maggiore.

Iniziare con l'analisi della previsione dell'abbandono

Nonostante quanto possa sembrare complicata la previsione dell'abbandono, è facile farlo con gli strumenti giusti. Amplitude consente ai team non tecnici di creare modelli di intelligenza artificiale complessi senza scrivere codice o fare affidamento su risorse e dipendenze ingegneristiche. Utilizza semplicemente un'interfaccia self-service con azioni point-and-click per creare un modello potente per prevedere e ridurre l'abbandono. Provalo tu stesso gratuitamente con il piano iniziale di Amplitude.

Guarda il video qui sotto per imparare a calcolare la churn nella nostra esperienza demo self-service.

Riferimenti

• Acquisizione clienti vs. costi di fidelizzazione, Invesp
• Previsione dell'abbandono dei clienti per le aziende in abbonamento che utilizzano l'apprendimento automatico: approcci e modelli principali, AltexSoft
• Tasso di abbandono e tasso di ritenzione: come calcolare questi KPI SaaS, Woopra