Como detectamos que ações com 10% da base de clientes poderiam ajudar a reter 40% dos cancelamentos
Descubra como antecipar os riscos e elaborar estratégias para evitar cancelamentos com ajuda de machine lerning.
A cada dia, novos players entram no mercado tornando as competições cada vez mais acirradas. A aquisição de novos clientes tende a ser mais cara, por isso, muitas empresas criam estratégias para reter seus clientes. Diante desse cenário, uma das principais administradoras de plano de saúde do Brasil, procurou a Objective para desenvolver uma solução que a ajudasse na prevenção de churn de forma inteligente e automatizada, ou seja, usando machine learning. Nosso objetivo era detectar o churn voluntário (quando o cliente manifesta sua vontade de sair do plano de saúde), utilizando o score de propensão ao cancelamento, de forma que os clientes 10% mais propensos concentrassem no mínimo 40% dos churns detectados.
O fim das análises manuais de cancelamento baseadas em “feeling”
Nossa cliente desejava identificar e mitigar os riscos de cancelamentos dos seus clientes. Porém, em seu histórico não haviam projetos ou iniciativas anteriores que ajudassem a mensurar e prever comportamentos que levariam a um potencial cancelamento de serviço. Isso tornava a análise manual, burocrática e custos.
Para ajudar nossa cliente, desenvolvemos um projeto de machine learning baseado em análise de dados históricos.
Portanto, o processo sugerido foi de:
2. Criação de um modelo estatístico
3. Avaliação do modelo estatístico
1ª ETAPA: Preparação dos Dados
Para que o modelo estatístico tivesse maior assertividade, iniciamos a organização, tratativa e higienização do banco de dados na máquina local. Ao todo, foram analisados mais de 13 milhões de registros do cliente, de 3 bases diferentes (cadastro, atendimento e planilhas auxiliares).
2ª ETAPA: Criação de um Modelo Estatístico
Com a base devidamente tratada, realizamos uma seleção de variáveis para criar o modelo de machine learning que seguia uma aprendizagem supervisionada dos dados. O resultado foi o desenvolvimento de um modelo que calculava a propensão de churn de cada cliente. E para alcançar sucesso na análise de dados, foi crucial que o cientista de dados colaboresse no estreitamento com especialistas em negócios. Essa parceria garantiu a compreensão completa dos desafios operacionais e a identificação dos dados essenciais para resolver efetivamente os problemas. Além disso, foram selecionadas variáveis da base de cadastro, como canal de venda, origem, número de reclamações e de chamados (considerando mês anterior), valor estimado da próxima mensalidade, mês de reajuste, entre outras.
3ª ETAPA: Avaliação do Modelo Estatístico
Ao aplicarmos o score dos clientes, ordenamos os clientes por maior propensão para menor, com o objetivo de gerar a lista dos top 10% com maior probabilidade de cancelar. Ao cruzar esses clientes com os churns, conseguimos identificar que eles representavam 38,99% dos cancelamentos. E quando analisávamos os top 20% mais prováveis, nosso modelo identificava 51,08% dos clientes que viraram churn.
Transformando Dados em Decisões Inteligentes
Essa análise permitiu que nossa cliente compreendesse que realizar ações de retenção em 10% de sua base, poderia ajudar a reter 40% dos churns. Em um cenário onde há uma limitação de recursos para retenção de clientes, saber quais possuem maior probabilidade de cancelamento ajuda a criar estratégias mais assertivas, focando os esforços na base correta e otimizando tempo, recurso humano e financeiro. Com a predição, a empresa pôde tomar decisões de forma antecipada para minimizar as chances de o cancelamento acontecer. Já que perder clientes significava não só a perda de receita, mas também o custo de aquisição de um novo cliente.
