FIDELIZACIÓN DE CLIENTES
Predicción de churn: identifica a los clientes a punto de irse
La predicción de churn con TIMi asigna a cada cliente una puntuación de riesgo de abandono y muestra las variables que hay detrás, para que los equipos de retención actúen sobre la causa real y no sobre una intuición.
Preparado en Anatella
Historial, contratos e interacciones de más de 80 fuentes, convertidos en variables listas para el modelo.
Modelado en Modeler
El AutoML construye y compara modelos sobre toda tu base de clientes, sin muestreo.
Explicado cliente a cliente
Cada puntuación incluye las variables que más pesan para ese cliente.
CÓMO FUNCIONA
Cómo funciona la predicción de churn.
Tres pasos, en un solo motor, en un servidor estándar sin clúster.
1. Preparar los datos
Anatella reúne el historial de transacciones, los datos de contrato y las interacciones con los clientes, los limpia y los convierte en variables que el modelo puede utilizar.
2. Construir el modelo
Modeler genera modelos candidatos con AutoML y conserva el que ofrece el mejor equilibrio entre precisión e interpretabilidad. El modelo elegido suele apoyarse en entre 15 y 25 variables, seleccionadas entre miles de candidatas.
3. Puntuar y explicar
Cada cliente recibe una puntuación de riesgo de churn y las variables que más pesan en su caso, no un promedio global.
HACERLO BIEN
Tres decisiones que hacen o deshacen un modelo de churn.
La mayor parte del trabajo está en cómo se define el objetivo, no en el algoritmo.
Fijar la fecha de observación y la ventana de predicción
El modelo aprende de los perfiles de cliente tal como eran en una fecha pasada, y de quiénes se fueron en el periodo siguiente. En telecomunicaciones, una ventana de predicción de 3 meses es habitual. Si tus sistemas no conservan el historial, se pueden crear instantáneas de la base de clientes a intervalos regulares.
Separar los churners comerciales y los financieros
Los churners comerciales se van por decisión propia, cuando termina su contrato. Los churners financieros se van antes porque ya no pueden pagar. Ofrecer un incentivo de retención a los churners financieros puede reducir la tasa de retención, por lo que ambos grupos suelen modelarse por separado.
Dejar fuera las consecuencias del churn
Una columna como la fecha de baja solo existe cuando el cliente ya se ha ido. Si se queda en el conjunto de datos, el modelo aprende la consecuencia y no la causa. Encontrar estas columnas lleva buena parte del tiempo de modelado, y Modeler permite excluir una columna con un clic.
EXPLICABILIDAD
Una puntuación dice quién. Los factores dicen por qué.
Una puntuación de riesgo por sí sola indica que un cliente puede irse. Un modelo de caja blanca muestra además, variable a variable, qué hace subir esa puntuación para ese cliente, como una factura atrasada, una caída del uso o un contacto reciente con soporte.
Para los equipos de retención
La acción de retención apunta a la causa real del riesgo en lugar de a una suposición genérica.
Para los requisitos de transparencia
Un modelo que justifica cada resultado variable a variable aporta la documentación necesaria para responder a las expectativas de transparencia, como el RGPD y el AI Act. La evaluación de conformidad en sí corresponde a tu equipo jurídico.
Para los responsables de los modelos
El Drift Report integrado en Modeler muestra cuándo un modelo pierde precisión, para actualizarlo cuando hace falta y no en una fecha fija.
DATOS
Los datos que utiliza un modelo de churn.
Anatella se conecta a más de 80 fuentes, por lo que estos datos se pueden reunir sin desarrollo a medida previo.
Historial de transacciones
Frecuencia, importe, regularidad y antigüedad de las compras o de los pagos.
Datos de contrato
Antigüedad, tipo de oferta, periodo de permanencia y cambios de contrato anteriores.
Interacciones con los clientes
Solicitudes al soporte, reclamaciones y canales utilizados para contactar contigo.
Señales de uso
Con qué frecuencia se usa el producto o el servicio, y cómo evoluciona.
PRUEBAS
Visto en producción.
Resultados de nuestros casos de éxito publicados.
Abandono reducido del 10 % al 8 % anual
Contactar a los clientes empresa de mayor riesgo identificados por el modelo permite conservar 7000 cuentas profesionales más cada año.
Precisión en la detección del churn elevada del 45 % al 57 %
MTN analizó 6 meses de datos de 21,4 millones de abonados en menos de 5 días, mediante análisis de redes sociales.
1013 variables detectan a los churners en 37 categorías
Delhaize detecta el desenganche con la antelación suficiente para actuar, y combina la detección con ofertas relevantes.
FAQ
Preguntas frecuentes.
¿Cuánto tiempo lleva construir un primer modelo de churn?
La mayor parte del esfuerzo se dedica a preparar los datos, no a modelar. El plazo depende de lo accesibles y limpias que estén tus fuentes, algo que revisamos contigo antes de empezar.
¿Qué diferencia hay entre churn comercial y churn financiero?
Los churners comerciales se van por decisión propia, cuando ningún contrato los ata ya. Los churners financieros se van antes, aunque paguen una penalización, porque ya no pueden asumir el servicio. El primer grupo responde a las acciones de retención, el segundo normalmente no, por lo que se modelan por separado.
¿Hace falta un científico de datos dedicado?
Modeler genera y selecciona los modelos automáticamente, y su interfaz con asistente está pensada para usuarios sin formación en minería de datos. Un analista sigue siendo útil para definir el objetivo y leer los resultados con los equipos de negocio, pero no para construir el modelo a mano.
¿Hay que reconstruir el modelo cuando cambia el comportamiento de los clientes?
Los modelos de churn pierden precisión cuando el comportamiento cambia. Modeler incluye un Drift Report que muestra cuándo un modelo se ha degradado, para actualizarlo cuando hace falta y no con un calendario arbitrario.
¿Pueden las relaciones entre clientes mejorar la predicción?
Sí, cuando se dispone de un grafo de relaciones, como las llamadas entre abonados. Anatella incluye operadores de análisis de redes sociales que lo convierten en variables, por ejemplo el número de churners alrededor de un cliente. MTN utilizó este enfoque.
CASOS DE USO RELACIONADOS
Sigue explorando.
Predicción del valor del cliente a lo largo de su vida
Estima lo que vale cada cliente a lo largo del tiempo y qué determina ese valor.
Next Best Offer
Ordena las ofertas que cada cliente tiene más probabilidades de aceptar, con las razones.
Predicción de venta cruzada
Encuentra a los clientes con más probabilidades de comprar un producto complementario, y por qué.
COMPRUÉBALO TÚ MISMO
Pruébalo con tus propios datos.
Prueba TIMi con tus propios datos con una prueba gratuita, o cuéntanos tu caso.
