churn-aumento-de-indices

Desvendando churn e seus desafios

Entenda os porquês e como mitigar os índices de churn de seu negócio.
Por Vinícius TeodoroLead Data Scientist

A maneira que uma empresa se relaciona com seus clientes é um dos fatores determinantes na saúde e vida do negócio. E, um dos pilares mais importantes dessa conexão é  ter a capacidade de identificar quando um cliente está propenso a cancelar um serviço. Fato que implica na necessidade de tomar medidas para retê-lo. 

Portanto, o investimento em projetos que identificam clientes propensos ao churn tem se tornado uma preocupação cada vez mais frequente para as organizações. Isso pode ser explicado por, na maioria das vezes, o custo de retenção de um cliente ser menor quando comparado ao custo de aquisição.

Apesar de ter ganhado a atenção de muitas empresas, não existe uma fórmula mágica para resolver o problema de churn.  Além disso, a solução pode ser incorporada com diferentes complexidades, como por exemplo, a identificação do motivo de churn para que sejam aplicadas diferentes estratégias de retenção. 

Desafios para mitigar o Churn

A redução das taxas de cancelamento é, de fato, um desafio e exige conhecimento profundo de seus clientes para que os resultados das estratégias de redução de churn sejam efetivas. 

E, para entender se sua organização precisa de um projeto de churn, algumas perguntas devem ser levadas em consideração:

O custo de aquisição de clientes é maior que o custo de retenção?

É fundamental observar gastos, financeiros e estratégicos, para adquirir e reter um cliente. Isso porque, para algumas empresas, o custo de aquisição pode ser 5x maior do que o custo de retenção.

Qual tipo de churn será mapeado? 

É importante destacar que o aumento de churn de um produto ou serviço, ocorre de formas distintas. E eles são:

  1. Voluntário: quando o cliente escolhe que vai cancelar o serviço por motivos de insatisfação ou preferência por um concorrente. 
  2. Silencioso: acontece quando um cliente para de utilizar o serviço por um período grande de tempo e essa demanda não gera custos – como o uso de um cartão de crédito sem mensalidade.
  3. Involuntário: manifesta-se quando o consumidor não têm a intenção de cancelar o serviço, mas por um descuido pode acabar tendo seu plano não renovado ou  cancelado por utilização irregular, inadimplência, entre outros.

O quanto seus especialistas conhecem sobre o problema? 

Ter um time capacitado é muito importante para analisar se o projeto pode ser executado internamente ou se necessita de ajuda terceirizada. Desse modo, contar com soluções personalizadas e profissionais preparados podem ajudar a superar os desafios do problema e obter resultados ricos e aplicáveis.

Você possui uma base de dados que permite extrair informações sobre o negócio e seu cliente?

Uma base de dados sólida torna a execução do projeto muito mais factível e gera resultados mais robustos e confiáveis. Isso porque são essas informações que irão proporcionar ao empreendimento um conhecimento detalhado de seus clientes. E, consequentemente, compreender como sanar suas dores. O que nos leva a próxima questão:

O quanto você conhece o consumidor do seu negócio?

É preciso diagnosticar também como suas ações refletem em seus clientes e, para isso, é necessário mapear as informações que definem o perfil e comportamento de cada um deles. Essa análise é a peça chave para identificar se ele está propenso ou não ao churn. 

Maneiras de mitigar Churn

Quando nos referimos a solução do problema, há alguns desafios a serem superados pelo time de especialistas. O primeiro deles está relacionado à junção do conhecimento técnico ao entendimento de negócio, uma vez que a análise exploratória e a criação e melhoria de características da base de dados deve considerar o modelo de atuação organizacional para obter sucesso.

Após a consolidação das características e da inserção de insights do negócio, partimos para a modelagem. Nesse estágio podemos nos deparar com o desbalanceamento da variável resposta, ou seja, ao separar a base de pessoas que deram churn e pessoas que se mantiveram fiéis ao seu serviço, encontramos uma proporção exacerbadamente maior de clientes fiéis. 

O maior problema do desbalanceamento é que, se ele não for tratado, algoritmos de machine learning tendem a ter uma resposta boa somente para classe majoritária. Isso implica em gerar muitos falsos negativos, pois há uma inclinação a mapear clientes propensos a sair como fiéis.

Técnicas para desbalanceamento

Neste momento é necessário utilizar técnicas para resolver o desbalanceamento e otimizar a filtragem do comportamento de seu cliente. Entre elas podemos citar algumas das mais comuns: Oversampling, Undersampling, SMOTE e ADASYN. Vale destacar que elas não são generalistas, o que explica o fato de cada problema ser tratado conforme sua especificidade. 

Undersampling e Oversampling são técnicas  mais elementares e significam a redução da classe com maior representatividade e expansão da que apresenta menor representatividade, respectivamente. Já SMOTE e ADASYN são mais complexas e fazem amostras sintéticas dos dados. Sendo o último, uma técnica similar ao SMOTE, mas que utiliza distribuição de densidade para criar elementos sintéticos.

Compreenda a performance da sua solução de churn

A construção do modelo de churn é baseado nas respostas esperadas, tanto em relação a performance, quanto em relação ao que se espera como saída. Ao medir o desempenho do modelo é importante escolher a métrica correta para avaliação. A acurácia, por exemplo, pode nos dar uma falsa sensação de um modelo excepcional, porém, o resultado pode estar atrelado a uma classificação correta somente da classe majoritária – na qual não há presença de churn.

churn and true or false positives

Essa avaliação pode ser centrada no quanto ela melhora sua estratégia atual de retenção. Se considerarmos que as ações são feitas em clientes aleatórios, podemos avaliar o quanto o conjunto indicado pelo modelo seleciona a mais de clientes que realizaram churn. 

É possível utilizar também métricas tradicionais de avaliação, como a precisão – referente ao número de indicações corretas sobre o total de indicações – e revocação – que indica a quantidade de indicações corretas sobre a quantidade de churn. E também pelo o f1-score, que pode ser descrito pela fórmula abaixo:

F1 = 2 * (precisão * revocação) / (precisão + revocação)

Como interpretar os resultados?

Para avaliar a métrica a ser utilizada, é crucial entender o custo da operação realizada para reter um cliente, frente ao potencial de receita futura esperada (lifetime value – LTV). 

A partir do conhecimento dos parâmetros para retenção de um cliente, pode-se balizar essa operação, flexibilizando ou não, a aceitação de consumidores classificados equivocadamente. Tal fator está diretamente ligado a penalização na geração de falsos positivos – quando um cliente fiel é indicado como churn.

Se o custo da operação de retenção for baixo, pode-se optar por apontar mais clientes e mapear no conjunto indicado a maioria dos churns da base. Entretanto, isso acarretará na presença de mais falsos positivos. Da mesma forma, se o custo for alto, é imprescindível focar na precisão dos indicados, a fim de evitar despesas desnecessárias.

Modelos de classificação possuem um limiar para separação entre classes que, em seu default, identificam como churn elementos com probabilidade acima de 50. Esse limite pode ser alterado de acordo com a necessidade do negócio, por exemplo, caso seja necessária uma precisão mais alta, podemos avaliar como churn somente elementos com probabilidade acima de 70. 

O modelo a ser utilizado

A resposta esperada pode influenciar na estratégia a ser empregada na solução do problema. Além de algoritmos de classificação, que possuem respostas binárias, existem abordagens que se valem de modelos de sobrevivência e modelos híbridos.

Modelos de análise de sobrevivência não classificam clientes como propensos ou não ao churn. A resposta gerada é uma curva que pode ser operada para observar a probabilidade de um cliente cancelar o serviço em um determinado espaço de tempo.

Para lidar com análises de sobrevivência, que envolvem funções complexas e não lineares de risco, foram desenvolvidos modelos que estendem classificações binárias e que transformam seus resultados em análises de sobrevivência. Tais modelos são conhecidos como modelos híbridos e alguns deles são:  RF-SRC, deepSurv e WTTE-RNN.

Em síntese, fica evidente que a modelagem do churn é vital para que empresas consigam reter clientes e reduzir custos. Além disso, é preciso estar ciente de que o sucesso desses recursos perpassa por diversos aspectos – que vão desde o conhecimento dos públicos, até a complexidade e robustez do modelo. Nosso time de especialistas, a partir da grande expertise na análise de churn e compreensão ampliada do perfil de consumidores, contribui com o fortalecimento de seu relacionamento com seus clientes, o que reduz significativamente os índices de cancelamento. 

Para saber mais sobre os métodos utilizados  e sobre a atuação do time de Data Science envie um e-mail para cinnecta@cinnecta.com 

Compartilhar no facebook
Compartilhar no twitter
Compartilhar no linkedin
Compartilhar no telegram
Compartilhar no whatsapp
Compartilhar no email

Deixe aqui o seu comentário

Deixe uma resposta

O seu endereço de e-mail não será publicado. Campos obrigatórios são marcados com *