La creazione di relazioni a lungo termine con i clienti è un tema chiave per le aziende: acquisire nuovi clienti è costoso e può richiedere maggiore tempo e risorse rispetto a mantenere i clienti esistenti.
Quando si tratta di misurare e valutare le performance della customer base, l’analisi dei dati ricopre un ruolo fondamentale ed esistono diversi strumenti che possono essere utilizzati a questo scopo che ricadono in tre macrocategorie:
1. L’analisi descrittiva prende in considerazione ciò che è successo. Il punto di partenza sono i dati storici raccolti nel tempo per identificare i pattern di comportamento che possano indicare possibili criticità nella gestione dei clienti. Ciò può includere dati come la durata della relazione con il cliente, la frequenza degli acquisti, il valore del cliente, la soddisfazione del cliente e la frequenza di contatto.
2. L’analisi diagnostica ha lo scopo di capire perché è successo. La soddisfazione del cliente è un fattore chiave nella decisione di continuare la relazione con un’azienda. Pertanto, l’analisi di soddisfazione è determinante per comprendere quello che è avvenuto nella relazione con i clienti e può includere sondaggi, raccolta di feedback e utilizzo di metriche come il net promoter score.
Il comportamento degli utenti può aiutare a identificare i pattern di utilizzo dei prodotti o servizi e dare indicazioni su preferenze o eventuali criticità che possono avere, come conseguenza, il rischio di abbandono. L’analisi del comportamento può includere i dati di utilizzo, la frequenza e le funzionalità utilizzate.
Tra l’analisi dei dati storici e l’analisi del comportamento degli utenti ci può essere una sovrapposizione, con alcune differenze: la prima aiuta a identificare i pattern di comportamento a lungo termine, come la frequenza degli acquisti nel corso di diversi mesi o anni, mentre la seconda può essere più utile per identificare i pattern di comportamento a breve termine, come l’abbandono di una determinata funzione del prodotto.
3. L’analisi predittiva utilizza modelli di machine learning per prevedere cosa succederà. In questo caso, si utilizzano i dati storici e altri fattori per creare un modello che possa prevedere quale evoluzione potrà avvenire nella customer base. Questo può aiutare le aziende a prendere misure preventive per migliorare la relazione con i clienti ed evitare le conseguenze derivanti da una mancata o inadeguata gestione delle criticità e dei fattori di rischio.
Una metrica essenziale è il customer churn, o tasso di abbandono dei clienti, definita come la percentuale di clienti che ha smesso di acquisire prodotti o servizi dell’azienda e le tre categorie di analisi viste sopra sono un metodo comune per monitorarlo e prevedere la probabilità di perdita dei clienti.
Spesso ci si riferisce al rapporto tra “clienti attivi” e “totale clienti”, dove, nelle aziende di prodotto, i primi sono quelli con almeno una transazione registrata in un determinato periodo di tempo preso in considerazione, mentre nelle aziende di servizi sono quelli con un contratto in corso.
Analisi descrittiva e diagnostica
Una prima rappresentazione visiva del customer churn complessivo facilita la comprensione immediata dell’entità del fenomeno, come nel grafico che segue relativo al case study* qui preso in considerazione.
Un modo diverso di rappresentarlo è la distribuzione dei clienti totali (attivi e non più attivi) in base alla durata complessiva della relazione con l’azienda (qui espresso come status “attivo” in mesi).
Prendendo in esame lo stesso grafico per i soli clienti non attivi, si evidenzia la caduta dei primi mesi, tipica di aziende di servizi in cui la loyalty è un fattore determinante.
Tutte le aziende dovrebbero monitorare il churn, anche se quelle che dipendono fortemente dalla fedeltà dei clienti hanno maggiori motivi per farlo. Telco, Pay Tv e aziende di servizi in subscription, sono esempi di aziende che si basano su recurring fees per le quali una bassa fedeltà dei clienti può significare la perdita di abbonati a favore della concorrenza e la diminuzione delle revenues.
Il customer churn può quindi dare indicazioni sulla salute finanziaria dell’azienda stessa, là dove una perdita di molti clienti può avere un impatto significativo su entrate, redditività e crescita futura.
Analisi predittiva
L’intelligenza artificiale può agevolare l’esplorazione dei dati combinandoli in modo da trovare automaticamente criteri per comprenderne il significato e prevedere esiti futuri.
Come nel caso dell’analisi dei fattori di influenza chiave di Power BI che verifica i fattori che influenzano l’incremento o la riduzione di un determinato KPI, in questo caso il churn. Le funzionalità di Machine Learning vengono usate per classificare i fattori di influenza, dall’impatto più elevato all’impatto meno elevato, e vengono forniti un punteggio di probabilità e una descrizione testuale per spiegare l’impatto.
Un analogo risultato, rappresentato nell’esempio qui sotto, deriva dall’utilizzo di un modello predittivo creato con il pacchetto Caret di R, usando una tecnica di Machine Learning nota come Gradient Boosting Machines (GBM) addestrata per prevedere il churn, identificando e classificando per importanza le variabili che maggiormente hanno impatto sul rischio di perdita dei clienti, in modo che l’azienda possa agire su di esse per mantenerli.
Implicazioni e possibili azioni
Sulla base degli output degli algoritmi di analisi predittiva si possono estrapolare le principali variabili sui cui l’azienda può agire con azioni di retention e di miglioramento della customer experience, ad esempio modificando i piani di offerta, migliorando le funzionalità del prodotto, fornendo un supporto più personalizzato o introducendo nuove opzioni o condizioni di pagamento.
Nel grafico qui sotto è evidenziata ad esempio la probabilità che un cliente abbandoni – calcolata dal modello predittivo gradient boosting machine – comparata in funzione della durata del contratto, dove nel caso del Month-to-month questa è molto più elevata sia in termini di minimo e massimo che nel valore mediano.
Inoltre, il modello predittivo può essere utilizzato per:
- focalizzare i key driver del churn e implementare azioni correttive;
- implementare uno scoring dei clienti in base al rischio di churn;
- verificare il potenziale impatto finanziario;
- identificare i clienti a più alto rischio e dare loro priorità per interventi mirati;
- segmentare i clienti e sviluppare strategie specifiche per ciascun segmento;
- monitorare regolarmente l’efficacia delle azioni intraprese e valutarne l’impatto.
Aiuto le organizzazioni a potenziare competenze e processi decisionali basati sui dati. Se siete interessati a esplorare questa opportunità e saperne di più contattatemi.
*questo case study è basato sul dataset Telco Customer Churn disponibile su Kaggle
Massimo Ghetti - ®2023 