Predicción de bajas de clientes

• Churn
• Puntuación de riesgo
• Alertas en el CRM
• Machine Learning
• Retención

¿Qué predice exactamente un modelo de bajas de clientes?

Un modelo de bajas de clientes asigna a cada cliente activo una probabilidad de darse de baja en un plazo concreto, por ejemplo los próximos 90 días, y señala qué variables pesan más en ese riesgo. Con eso el equipo comercial o de atención recibe una lista ordenada: a quién llamar esta semana y por qué.

¿Qué es el churn y cómo se calcula?

El churn o tasa de bajas es el porcentaje de clientes que se pierden en un periodo: los clientes que se fueron en el mes divididos entre los que había al empezarlo. Es un dato del pasado. La predicción de bajas da un paso más y estima qué clientes concretos van a engordar esa cifra el mes que viene, cuando todavía hay tiempo de actuar.

¿Qué datos hacen falta para predecir las bajas?

Para predecir bajas hace falta saber qué clientes se fueron y cuándo, y qué hacían antes de irse: compras o uso, frecuencia, importe, incidencias, reclamaciones, cambios de tarifa y forma de pago. Suelen estar repartidos entre el ERP, el CRM y la herramienta de soporte, y el primer trabajo es juntarlos. Cuantas más bajas haya en el histórico, mejor aprende el modelo; con pocas decenas, lo honesto es empezar con una puntuación de riesgo por reglas y pasar al modelo cuando haya más casos.

¿Cómo sería un ejemplo de predicción de bajas?

Ejemplo ilustrativo, no es un cliente real. Una empresa de servicios con contratos mensuales recibe cada lunes en su CRM la lista de los clientes con mayor riesgo de baja y el motivo principal de cada uno: «ha reducido el uso a la mitad en dos meses» o «tres incidencias sin cerrar». El equipo de cuentas llama a esos clientes antes de que pidan la baja, y cada mes se compara cuántos de los señalados se fueron con cuántos se habrían ido según la tasa de siempre.

¿Qué precisión tiene un modelo de bajas?

Un modelo de bajas no acierta con cada cliente; acierta en el orden. Lo que se mide es cuántas de las bajas reales estaban entre los clientes que el modelo señaló como de más riesgo, comparado con elegir al azar. Esa medida se calcula sobre meses que el modelo no ha visto, antes de ponerlo en marcha, y se sigue revisando una vez en producción, porque el comportamiento de los clientes cambia.

¿Y si la empresa ya tiene equipo de datos?

Si la empresa ya tiene equipo de datos, MB Soluciones puede construir el modelo sobre su plataforma, revisar uno que ya exista o encargarse de la integración con el CRM para que las alertas lleguen a quien habla con el cliente. Más detalle en análisis predictivo para grandes empresas.

¿Qué proyecto de predicción de bajas ha hecho MB Soluciones?

MB Soluciones desarrolló para FidelyA modelos de Machine Learning que anticipan cuándo un cliente se va a dar de baja, después de auditar y ordenar su arquitectura de datos, y los integró de forma bidireccional con su ERP y su CRM. El equipo comercial trabaja con alertas y prioridades generadas por los modelos, y el proyecto sigue en producción.

Si tienes un gimnasio o centro deportivo, las bajas de socios tienen un tratamiento propio en la guía de Automagym sobre cómo reducir las bajas en un gimnasio.

¿Cómo trabaja MB Soluciones un proyecto predictivo?

MB Soluciones trabaja los proyectos predictivos en cinco pasos: un diagnóstico gratuito para ver qué datos hay y qué decisión se quiere mejorar; una auditoría y limpieza de esos datos, porque un modelo sobre datos sucios predice mal; el modelo, validado con meses que no ha visto; la integración con el ERP, el CRM o Power BI, para que la predicción llegue a quien decide; y un seguimiento del error una vez en marcha. No hay precio público: cada propuesta depende de los datos de partida.