AI, el nuevo gran aliado en la lucha contra el churn
El mundo del AI crece a pasos agigantados. Cada día vemos nuevos avances y usos de inteligencia artificial en todos los ámbitos de nuestro quehacer. Sin embargo, la adopción de estas nuevas tecnologías por parte de las empresas ha sido mixto. Mckinsey estima que alrededor del 70% de las grandes empresas globales están iniciando proyectos de AI, pero menos del 10% de estos superan la fase de prototipo. Una de las causas de este bajo éxito es el foco en proyectos tipo “moonshot”; extremadamente ambiciosos y difíciles de traducir en retornos concretos.
La mejor cura para este problema es, en nuestra opinión, enfocarse en problemas cuantificables, con acciones definidas y métricas de éxito claras. Es en este contexto donde vemos la lucha contra el Churn, o fuga de cliente, como un problema ideal para implementar herramientas de AI; Las acciones de retención y mitigación de fuga son claras, el objetivo es 100% medible (número de clientes que dejan su servicio) y cada cliente puede ser parametrizado mediante “features” que reflejen su estado en la empresa. Más aún, cada día vemos en nuestros clientes que el churn se está transformando en un área clave para su éxito y supervivencia.
Churn en la era digital: Porque es más relevante que nunca?
Es importante en el uso del AI abordar problemas con el potencial de generar retornos a futuro, y el ganar la batalla contra el churn es cada día mas rentable. Son conocidos los estudios que declaran que el costo de adquirir un nuevo cliente es sobre 7 veces mayor a retener uno. Décadas atrás eran pocas las empresas que se preocupaban de la fuga de sus clientes, poniendo el foco solamente en la captura de nuevos. Qué ha cambiado?
Clientes hiperinformados, hiperconectados, y la ilusión de lealtad
El primer gran cambio en las últimas décadas ha sido la sofisticación del cliente gracias a la hiperconectividad e infinita información disponible en el espacio digital. El cliente de hoy accede a un mar de información mediante foros, chats, redes sociales, reseñas, etc. donde aprende en cuestión de un par de clicks todo lo que puede esperar y exigir de un servicio. Atrás quedaron los clientes complacientes, dispuestos a perdonar demoras de servicio, subidas de precio o tentaciones de tu competencia.
La era de la suma cero
Todo es fácil cuando hay espacio para todos. Cuando las tasas de penetración de un producto o servicio son bajas, todos pueden crecer felices sin la necesidad de quitarse clientes, pero este ya no es el caso en la mayoría de industrias. Muchos son los mercados donde la tasa de penetración supera el 90% del mercado potencial (telefonía, internet, banca, etc), lo cual significa que cada cliente debe ganarse a costas de tu competidor y viceversa. Si a ésto se suma que muchas industrias están siendo afectadas por nuevos modelos de negocios y actores, la competencia no solo es en una torta que se mantiene, sino que se contrae.
Todo es servicio, todo es subscripción
Desde películas hasta supermercados, desde vinos hasta software, el viejo modelo de compra unitaria está dando paso a modelos de suscripción. A nivel global la relevancia de la industria de servicios como porcentaje del PIB aumentó de 65% al 70% en los últimos 20 años. A esto se suma que la transformación digital ha empujado muchos productos a ser reimaginados como servicios (piensa en Netflix, Spotify, Cornershop, Office 360, etc), generando un futuro de servicios y suscripciones, no productos. Y donde hay servicios y suscripciones, hay churn.
El churn a 1 click
Todavía recuerdo la primera vez que me cambié de compañía de celular. Fue una experiencia miserable, donde después de varias horas en la peor oficina imaginable y de pagar una sorprendente suma de multas e indemnizaciones, pude escapar del yugo de un contrato draconiano y me prometí nunca más cambiar de empresa. Estas experiencias quedaron atrás y gracias a un mayor reconocimiento de los derechos de los consumidores, cambios de regulación, mayor competencia y procesos digitalizados, cambiar de proveedor es más fácil que nunca, muchas veces a un click de distancia.
El desafío de la prevención de churn
Ok, vemos que el churn es importante y su reducción es imprescindible para el éxito futuro. Pero la realidad es que son pocas las empresas que han demostrado éxito en retener clientes. El paradigma sigue en la captura de clientes nuevos y, en realidad, los métodos tradicionales de retención no han mostrado una utilidad satisfactoria (y menos un alto ROI). Por qué es tan difícil retener clientes?
Buscando agujas en un pajar
Algo obvio: el cliente mientras esté contigo no va a ser churner…. hasta que lo es. En la mayoría de las industrias las tasas de churn anual se mueven entre 5% y 15%, lo que significa que en cualquier instante al ver a todos tus clientes vas a encontrar menos de un 15% de clientes en riesgo. Esto hace que métodos genéricos y segmentaciones simples tengan altos niveles de error, catalogando como clientes en riesgo muchos que en realidad no lo son y limitando la capacidad de invertir recursos en retener aquellos que de verdad desean salir.
Miles de razones, todas críticas (para alguien)
El primer paso para retener a algún cliente en riesgo es saber porqué se desea ir. El problema es que razones hay tantas como personas; ¿Fue la demora en ser atendido?, ¿Fue el cambio de precio?, ¿Ya no necesita mi servicio?, ¿Son todas las anteriores?. Tradicionalmente estas razones suelen buscarse mediante encuestas, focus groups e intuición, las cuales si bien dan alguna luz, son generalizaciones en base a un número limitado de casos y anécdotas, haciendo imposible identificar los procesos de decisión de cada cliente y sus matices para realizar una retención efectiva.
Una carrera contra el tiempo
La insatisfacción de un cliente no es un evento inmediato, sino que, salvo algunos casos desastrosos, es una acumulación de experiencias insatisfactorias que culminan con la decisión de fuga. De ésta manera, el costo de retener a un cliente es proporcional a su insatisfacción, variando desde tan solo una llamada de cortesía hasta tener que sacrificar años de facturación ofreciendo descuentos, productos y atenciones. Esto hace que una intervención temprana no solo sea eficiente, sino que inmensamente rentable, por lo que el desafío es pasar de retenciones inoportunas (al momento de recibir la notificación de salida), a retenciones oportunas (lo más cerca de la primera señal de insatisfacción).
Usando AI para prevenir el churn: Porque?
El uso de modelos de machine learning permite detectar oportunamente clientes en riesgo de fuga, identificar sus razones y generar acciones sistemáticas que maximicen las chances de retención. Este es un cambio radical de cómo abordar el churn, donde tradicionalmente las acciones se realizan de manera reactiva, con acciones genéricas e ineficientes. Hemos visto este cambio en múltiples empresas e industrias, , ayudándolos a dar el salto y generando mejoras sorprendentes. Porqué funciona tan bien?
AI y churn, de que estamos hablando?
¿Cómo usamos AI para prevenir churn?. Si bien pueden existir muchas maneras de usar datos y modelos para esta tarea, podemos agruparlas en 2 tipos:
- Acciones preventivas de mitigación de gatillantes de churn: En base a insights obtenidos en base al análisis de datos y los patrones identificados en modelos de predicción de fuga, encontrar puntos gatillantes de churn y generar mejoras de servicio que reduzcan la probabilidad de que éstos se repitan. Los gatillantes pueden ser niveles de precio, demoras de atención, calidad de servicio, etc. que aumentan fuertemente el descontento de los clientes. Una vez identificados gatillantes y niveles, es posible generar KPI’s que busquen explícitamente reducir su ocurrencia, además de establecer medidas mitigantes automatizadas cada vez que éstas sucedan. Por ejemplo, en uno de nuestros clientes se identificó que cualquier atención del servicio técnico con un retraso por sobre 5 días aumentaba fuertemente la probabilidad de fuga, consecuentemente se invirtió en reducir los tiempos de atención por bajo este nivel y generar un descuento de cortesía cada vez que se retrasaban por sobre éste. Esta simple acción generó una reducción perceptible y consistente en el churn.
- Acciones de reacción temprana a clientes en riesgo de fuga: En base a modelos predictivos de machine y deep learning, se identifican clientes con un alta probabilidad de fuga futura y sus potenciales causas, para luego generar intervenciones directas para enmendar la causa de la insatisfacción del cliente. Un ejemplo típico es generar intervenciones vía call center o mailing, pero también es posible mediante modelos predictivos anexos, determinar automáticamente el mejor canal de contacto para cada cliente y así maximizar la probabilidad de retención.
Ganando la carrera contra el tiempo
La primera gran mejora viene de la generación de señales oportunas para intervenir a tiempo, antes de que los motivos de fuga sean irreversibles o costosos de mitigar. Usualmente las acciones de retención se realizan cuando se recibe la notificación de fuga del cliente, es altamente costoso e ineficiente. Por el contrario, las acciones generadas usando AI buscan intervenir mucho antes, cuando la insatisfacción todavía es baja o nula.
En nuestra experiencia, este cambio de paradigma (de reactivo a proactivo) no solamente mejora dramáticamente la eficacia de las acciones de retención, sino que además mejora la percepción de calidad del servicio. El cliente evidencia mejoras en las áreas que le interesan y, en el caso de producirse algún incidente, las acciones asertivas y oportunas de retención son valoradas por éste, incrementado su lealtad.
Acciones personalizadas vs genéricas
Una de las bellezas del uso del AI, es la capacidad de entender al cliente de manera precisa, sin la necesidad de recurrir a segmentaciones o generalizaciones. Un modelo de AI posee la capacidad de analizar a cada cliente en detalle y de manera individual, siendo capaz de detectar clientes y comportamientos que tradicionalmente pasarían desapercibidos. Esta representación detallada permite generar tantos mensajes y acciones como patrones existan, para así generar una interacción de valor y que resuene con cada cliente.
Creer vs saber
Si bien esto puede sonar irrelevante, el impacto que genera la certidumbre en una empresa es impresionante. Comparemos las siguientes frases: “Creo que la mala atención en sucursal es la mayor razón de la fuga de nuestros clientes” versus “Nuestro modelo identificó que el 80% de la fuga de clientes es debido a la mala atención en sucursal”. Si bien en ambos casos la conclusión es la misma (hay que mejorar la atención en sucursal), el primer caso lo dice en base a experiencias y anécdotas, pero sin una certidumbre medible, mientras que el segundo caso lo dice de manera certera y medible. Cuál de estos mensajes crees que tiene mejores chances de generar cambios reales en la organización?. El poder de decir con certeza incluso cosas obvias para los stakeholders es valioso, porque genera una base sólida y monitoreable basada en datos, no corazonadas, liberándonos de los sesgos propios de nuestra percepción.
Nuestros sesgos radican en en el hecho que nuestra percepción es fácilmente manipulable y, a diferencia de un algoritmo, puede generar conclusiones que simplemente no reflejan la realidad. El premio nobel de economía Daniel Kahnemann, en sus estudios de economía del comportamiento, identificó múltiples sesgos que poseemos los humanos al momento de interpretar la realidad, como por ejemplo el sesgo de anclaje (donde anclamos nuestras estimaciones en experiencias pasadas por sobre información nueva) o el sesgo de confirmación (donde damos exagerada relevancia a la información que confirma nuestras preconcepciones y desechamos información útil que pueda desafiarla). En conclusión, los humanos estamos sujetos a múltiples factores que nos alejan de una visión insesgada y racional del mundo, por lo que el uso de modelos que puedan entregarnos esa visión racional y limpia de prejuicios es una poderosa herramienta en cualquier organización.
Cuantificación = Optimización
La optimización es el trademark de una empresa exitosa y rentable. Lidiamos con recursos escasos y saber dónde asignarlos es de máxima relevancia. Pero cómo optimizar si no puedes cuantificar?. Es en este punto donde el uso de AI y analytics genera valor de manera medible y cuantificable al peso.
Hagamos el siguiente ejercicio, poseemos un modelo de predicción de fuga que genera las siguientes predicciones:
Además sabemos que el costo de retener a un cliente es de USD 50 aproximado, la probabilidad de retención es del 50% y el LTV (LifeTime Value) del cliente es de USD 1.000. En base a estos datos, puedo definir el valor económico de ejecutar acciones de retención en cada tramo y decidir hasta qué tramo de probabilidad es rentable. Haciendo los cálculos obtenemos:
Con estos simples cálculos (costo de retención = Nº clientes en el tramo * costo de retención, beneficio de retención = Nº de clientes * porcentaje realizado de fuga * probabilidad de retención * LTV, beneficio neto = beneficio — costo) resulta fácil ver que efectuar acciones de retención a los clientes con una probabilidad predicha de fuga por sobre el 60% es económicamente rentable, generando beneficios por 170.000 USD anuales. Por el contrario, generar acciones generalizadas sin la ayuda del modelo hace perder un total de 520.000 USD anuales (o 21 USD de pérdida por cada cliente intervenido aleatoriamente).
Ejercicios como éste muestran el potencial del uso del AI y cuantificar fenómenos como el churn. El poder del AI de transformar problemas cualitativos en números y datos accionables hace que los recursos puedan ser invertidos racionalmente, sin saltos a ciegas ni campañas de dudoso beneficio.
Prevención como un proceso 24/7
Las máquinas no se cansan, las personas sí. Este simple hecho hace que el uso de modelos y automatización genere flujos productivos 24/7. No es necesario esperar a la revisión de fin de mes para intentar retener a un cliente insatisfecho. En la medida de que las acciones estén bien identificadas y el flujo operacional esté definido, la prevención se puede realizar en el instante que sea necesario, no de 10am a 5pm o solo días hábiles. Estamos en la era del cliente 24/7 que no desean esperar al lunes para que sus problemas se resuelvan, por lo que el uso de modelos automatizados de detección y retención es probablemente la única solución costo-eficiente de dar a tus clientes lo que quieren cuando lo quieren.
En conclusión, el uso del AI en la prevención de churn abre las puertas a acciones individualizadas, oportunas, racionales, de valor medible y automatizables, las cuales poseen el poder de generar ventajas estratégicas que te levanten por sobre tu competencia. De esta manera, son las empresas que adopten rápida y decididamente tecnologías de AI para la prevención de churn las cuales van a sobrevivir y triunfar en la era de la información.
Saludos!!!
Jose Manuel Peña Méndez, CFA
Managing Partner Analytics & AI, ConnectaLabs AI
Originally published at https://www.linkedin.com.