El dilema del customer attrition.

¿Por qué?

Atraer nuevos clientes suele ser mucho mas costoso que retener los actuales. Es por esto que las compañías trabajan mucho en mejorar el ciclo de vida de sus clientes (customer lifetime value). Una clave para mejorarlo es conocer por qué terminan su relación con la marca, detectar fallas en el customer journey y resolverlas.

Cuando hablamos de customer attrition nos referimos a los clientes que terminan la relación con una compañía. Pero… ¿si además de medirlo podemos predecirlo?

El componente principal para lograrlo: los datos.

Para ello se analizan datos históricos de clientes que ya terminaron su relación con la marca (respuesta), y sus características y comportamientos (predictores) antes de que esto haya sucedido.

Utilizando un modelo estadístico que relaciona los predictores con las respuestas, vamos a intentar predecir la respuesta para clientes actuales.

Para esto se utilizan técnicas de data mining de aprendizaje supervisado, siguiendo los siguientes pasos:

 

Caso de uso: Describen la acción o actividad, sirven para entender el problema a resolver Datos: Entender con qué datos se cuentan, en qué estado están y que tratamiento debería hacerse para que sean utilizables.

Criterios: Se definen los criterios de evaluación, qué datos incluiremos en el modelo y de qué manera se va a medir el error.

Modelo: Se elige el modelo de machine learning a aplicar.

Insights: Evaluación de los resultados y definición de qué acciones tomar para evitar que los clientes terminen efectivamente terminando la relación con nuestra marca.


Podemos ayudarte a construir un modelo productivo para retener a tus clientes. ¡Contáctanos!

¡Compártelo!

Share on facebook
Share on twitter
Share on linkedin

También puede interesarte: