Como melhorar a retenção com o Churn Prediction Analytics

A previsão de churn usa modelos de inteligência artificial (AI) e machine learning (ML) para identificar quais clientes estão em risco de churning . Com essas informações, as empresas podem tomar as medidas necessárias para otimizar as áreas de seus negócios que estão causando atritos e manter os níveis de desgaste dos clientes sob controle.

Os clientes mudam por vários motivos, desde experiências negativas de atendimento ao cliente até encontrar melhores ofertas de um concorrente ou uma percepção de falta de valor do seu produto. Melhorar a retenção de clientes e manter sua taxa de churn baixa é vital, especialmente porque a aquisição de novos clientes é cara.

O que é previsão de churn?

A previsão de churn é um processo em que as empresas usam modelos de IA e ML para prever quais clientes correm o maior risco de encerrar seu patrocínio. A previsão de rotatividade usa dados do cliente com base no comportamento e uso do usuário. A previsão e prevenção de churn de clientes permite que as empresas:

• Identifique clientes em risco e implemente esforços altamente direcionados para impedi-los de se desligar.
• Identifique pontos problemáticos e atritos na jornada do cliente.
• Identifique estratégias que visam esses pontos problemáticos para diminuir a rotatividade e aumentar as taxas de retenção.

É realmente possível prever o churn de clientes?

Graças aos algoritmos de aprendizado de máquina e big data, prever a perda de clientes é, de fato, uma possibilidade. Técnicas de análise de dados são usadas para observar tendências e padrões comportamentais passados ​​no comportamento do cliente.

A ideia é que você possa identificar comportamentos específicos como ações de risco de churn e resolvê-los antes que seja tarde demais. Estas são muitas vezes referidas como métricas de bandeira vermelha . Por exemplo, você pode descobrir que os clientes que deixam de seguir você nas mídias sociais ou que desinstalam seu aplicativo correm maior risco de desistência.

Ao realizar a previsão de churn, é importante ter em mente o seguinte:

• A proatividade é fundamental quando se trata de retenção de clientes. A previsão de churn deve ajudá-lo a configurar planos para se envolver com clientes em risco no momento em que são sinalizados como tal.
• Certifique-se de que sua técnica de previsão de rotatividade identifique com precisão os clientes com probabilidade de sair. A identificação incorreta de clientes em risco pode fazer com que você gaste recursos em campanhas de divulgação e ofertas especiais sem motivo, resultando em receita reduzida.
• Você precisa de um modelo de previsão de rotatividade baseado em fontes de dados obtidas em tempo real. Esses dados refletem os comportamentos atuais e levarão a previsões mais precisas.

Previsão de churn para empresas de assinatura

Empresas com modelos de negócios baseados na venda de serviços de assinatura – B2B SaaS, streaming de música e telecomunicações, para citar alguns – contam com a receita recorrente que geram de seus clientes. A previsão de perda de assinaturas, o aproveitamento da fidelidade do cliente e o aumento do valor da vida útil do cliente são particularmente importantes para esses negócios.

Durante uma entrevista com a AltexSoft, o então gerente geral do Service Hub da HubSpot, Michael Redbord, argumentou que:

Altas taxas de churn significam menos receita devido à diminuição do número de clientes. Além disso, as pessoas que saem de uma empresa devido a experiências ruins tendem a deixar avaliações negativas, impactando sua imagem e dificultando ainda mais a captação de novos clientes.

Existem muitos tipos de provedores de serviços baseados em assinatura que podem se beneficiar do uso da previsão de churn. Alguns desses setores incluem:

Serviços de streaming de música e vídeo

Essas empresas oferecem acesso sob demanda a músicas, programas de TV e filmes para seus assinantes. Exemplos de tais empresas incluem Netflix e Spotify. De acordo com o relatório Digital Media Trends 2022 da Deloitte, os serviços de streaming de vídeo pagos nos EUA tiveram uma taxa de rotatividade consistente de 37% desde 2020.

Meios de comunicação

As empresas de mídia de notícias mudaram seu foco para o digital nos últimos anos. Em 2021, 65% das pessoas nos EUA disseram que nunca ou raramente recebiam notícias da mídia impressa. Organizações como The New York Times e Financial Times oferecem aos seus clientes pacotes de assinatura digital onde eles podem acessar notícias e informações por meio de suas plataformas online.

Apesar da mudança para o digital, os aplicativos de notícias móveis ainda tiveram uma taxa de desinstalação de 25% em 2022.

Prestadores de serviços de telecomunicações

As empresas de telecomunicações oferecem uma gama de serviços baseados em assinatura, como serviços sem fio, TV, internet e telefone celular. Essas empresas incluem AT&T e Vodafone. Em 2020, as empresas de telecomunicações tiveram uma taxa de atrito de 20%.

Empresas de software como serviço (SaaS)

As empresas SaaS incluem qualquer negócio que ofereça um tipo de serviço baseado em nuvem. Isso pode ser qualquer coisa, desde serviços de design gráfico online como o Canva até plataformas de comércio eletrônico como a Amazon.

De acordo com Woopra, a taxa média de churn mensal para empresas de SaaS está entre 3% e 8%. Anualmente, isso é de 32 a 50%.

Entendendo o ciclo de vida do seu cliente

Antes de prever o churn, você precisa entender os ciclos de vida de seus clientes. Uma ferramenta de análise de produtos como o Amplitude Analytics pode dividir seus usuários ativos em quatro subgrupos: novos usuários, usuários atuais (ativos), usuários ressuscitados (anteriormente inativos) e usuários inativos (inativos). Você deve ficar de olho em cada grupo de usuários para garantir que a base de usuários do seu produto esteja crescendo ao longo do tempo.

Essa visualização ajuda a medir o churn de maneira contínua, para que você possa tomar medidas para reduzi-lo. Você deve se esforçar para aumentar suas contagens de usuários atuais e ressuscitados, mantendo os usuários engajados ou dando a eles um motivo para se tornarem ativos novamente. Você também desejará diminuir sua contagem de usuários inativos; se esse grupo começar a crescer, você pode ter um problema de engajamento em suas mãos.

Modelo de previsão de churn: a chave para melhorar a retenção de clientes

Graças a ferramentas como CRMs e software de análise, as empresas podem acessar grandes conjuntos de dados cheios de informações sobre seus clientes ao longo de seus ciclos de vida. Esses dados históricos são cruciais para construir seu modelo de previsão de perda de clientes usando ferramentas como Amplitude Audiences.

Você pode criar seu modelo de previsão de rotatividade seguindo cinco etapas.

1. Identifique suas metas de previsão de desligamento

A primeira etapa para garantir o desempenho ideal do modelo de previsão de rotatividade é identificar e definir o que você gostaria de obter com seu modelo. Em um nível alto, você tem como objetivo:

• Reduza a perda de clientes identificando quais de seus clientes estão em maior risco de desistência.
• Entenda os motivos pelos quais seus clientes em risco podem se desligar.
• Projete e implemente mudanças na jornada do cliente para promover a retenção de seus clientes em risco.

2. Preparação de dados

Seja por meio de seu CRM, software de análise ou feedback direto do cliente, você coleta dados de seus clientes em todos os pontos de contato de sua jornada de compra.

Coletar dados relevantes do cliente e prepará-los para classificação e extração é o segundo passo para construir seu modelo de previsão de churn. Se você estiver usando uma ferramenta de análise, leia nosso Guia de Dados Comportamentais e Rastreamento de Eventos para saber como coletar dados precisos.

3. Trabalhando com recursos

Use a engenharia de recursos para representar e categorizar os clientes com base nos recursos que provavelmente os fazem desistir. Existem cinco tipos de recursos ao discutir a rotatividade de clientes:

• Características do cliente: são informações gerais e demográficas sobre o cliente, como idade, quanto ele ganha e nível de educação.
• Recursos de suporte: referem-se às interações que seus clientes têm com sua equipe de suporte ao cliente, incluindo o número de e-mails enviados, tempo de resolução e índices de satisfação após a resolução do problema.
• Recursos de uso: descrevem elementos de como um cliente usa seu produto ou serviço. Por exemplo, a duração média das chamadas para clientes de empresas de telecomunicações ou o número de vezes que os usuários fazem login em um aplicativo.
• Recursos contextuais: incluem qualquer informação baseada em contexto que uma empresa tenha sobre o cliente. Este pode ser o sistema operacional que eles usam em seu dispositivo ou suas compras anteriores.
• Características comportamentais : estes são os comportamentos e ações específicos que os clientes realizam dentro do seu produto. Por exemplo, o número de vezes que um usuário compartilha uma lista de reprodução em um aplicativo de streaming de música.

Depois de identificar os recursos nos quais focar, você precisará extraí-los para padronizar as variáveis ​​ou atributos. Você deve selecionar apenas as informações relevantes para a análise do churn.

4. Construa seu modelo

Os algoritmos de ML geralmente funcionam usando classificação binária, que organiza suas variáveis ​​de destino e fornece a elas um valor verdadeiro ou falso. Em outras palavras, esse recurso específico fez com que seu cliente se afastasse ou não? Por exemplo, a desinstalação do aplicativo do telefone geralmente leva à perda de clientes?

Outro modelo preditivo comum é uma árvore de decisão, que usa quaisquer recursos disponíveis e fornece resultados potenciais. O modelo de árvore de decisão fornecerá vários cenários para ver se um cliente irá ou não desistir.

No caso de empresas que trabalham com conjuntos de dados maiores, você pode criar modelos preditivos em várias árvores de decisão, também chamadas de floresta aleatória. Em uma floresta aleatória, cada árvore de decisão tem uma classificação com uma resposta positiva ou negativa. Se a maioria das árvores de decisão fornecer respostas positivas, a previsão final será positiva.

5. Monitorando seu modelo

Quando seu modelo estiver pronto, é hora de integrá-lo à sua ferramenta de previsão. Com esta ferramenta, você pode testar e monitorar o desempenho do seu modelo e fazer ajustes nos recursos, se necessário. Você implementa o modelo escolhido e o envia para produção. Se tiver um bom desempenho, você pode atualizar seu aplicativo existente ou usá-lo como foco de um novo produto.

Construindo um modelo de previsão em uma ferramenta de análise

Vamos ver como construir um modelo de previsão em uma ferramenta de análise como Amplitude.

1. Defina uma coorte ou grupo inicial de usuários

2. Preveja seu estado de resultado futuro

As previsões usam o comportamento passado para prever o comportamento futuro. Uma ferramenta de análise como a Amplitude analisará os usuários que estavam na coorte inicial há dois períodos e identificará os usuários que alcançaram o resultado desejado há um período, bem como aqueles que não alcançaram.

3. Classifique e avalie os usuários com base neste modelo

O modelo preditivo calcula uma pontuação probabilística para cada usuário na coorte inicial para alcançar o resultado desejado nos próximos 7, 30, 60 ou 90 dias. O modelo é retreinado todos os dias para contabilizar dados sazonais.

A imagem abaixo mostra os 5% melhores.

4. Use coortes preditivas para informar seu produto e estratégias de marketing

Você pode usar coortes preditivas para segmentar usuários com base na probabilidade de desligamento. Transforme seus usuários classificados da etapa 3 em uma nova coorte e faça o retargeting deles:

• Incluindo-os em campanhas de marketing projetadas para aumentar a retenção
• Oferecendo preços dinâmicos, incluindo tarifas com desconto ou ofertas especiais
• Personalizando conteúdo e experiências de produtos com base em suas preferências
• Ajustar a frequência de mensagens com base na probabilidade de conversão ou desistência
• Execução de testes A/B personalizados para experimentar novas alterações no site ou no produto

Por exemplo, se você encontrar uma coorte de usuários com alta probabilidade de desligamento, poderá usar táticas de preços inversas para oferecer a eles um desconto ou incentivo maior.

Introdução à análise de previsão de churn

Apesar de como a previsão de churn pode parecer complicada, é fácil fazer isso com as ferramentas certas. Amplitude capacita equipes não técnicas a construir modelos complexos de IA sem escrever código ou depender de recursos e dependências de engenharia. Basta usar uma interface de autoatendimento com ações de apontar e clicar para criar um modelo poderoso para prever e reduzir a rotatividade. Experimente você mesmo gratuitamente com o plano inicial da Amplitude.

Assista ao vídeo abaixo para saber como calcular o churn em nossa experiência de demonstração de autoatendimento.

Referências

• Custos de Aquisição de Clientes x Retenção, Invesp
• Previsão de rotatividade de clientes para negócios de assinatura usando aprendizado de máquina: principais abordagens e modelos, AltexSoft
• Taxa de Churn vs Taxa de Retenção: Como Calcular Esses KPIs de SaaS, Woopra