Autor: Rafael Lategahn
Um cliente está prestes a abandonar sua empresa e ir para o concorrente, mas sua organização não tem visibilidade deste cenário. Se conquistar um novo cliente custa cinco vezes mais caro do que manter o atual, como é possível identificar esse padrão oculto de comportamento e implementar uma estratégia de retenção capaz de aumentar os resultados do seu negócio e, de quebra, fornecer uma experiência customizada para o cliente?
No passado, era muito comum a aplicação de Pesquisas de Satisfação (NPS, do inglês Net Promoter Score) para identificar os fatores que levavam os clientes ao abandono de um produto ou serviço. Hoje, entretanto, esses relatórios anuais não condizem com a dinâmica da nova economia, cujos consumidores estão muito mais ágeis, empoderados, conectados e produtores de conteúdos, fornecendo, desta maneira, uma centena de variáveis, em diversas plataformas, para o cálculo da taxa de abandono (do inglês, Churn Rate), ou seja, métrica que mensura a quantidade de clientes que cancelaram um produto ou serviço.
Em sinergia com o mundo Data-driven, calcular a Churn Rate das organizações é trabalho para um sistema de Inteligência Artificial com algoritmos de Machine Learning.
A partir de variáveis, como utilização, região, inadimplência, entre outras, é possível avaliar, analisar e consolidar dados de diversos sistemas para gerar perfis de cliente que abandonaram a empresa. Com os perfis aprendidos pelo algoritmo de Machine Learning, o sistema passa a identificar, automaticamente, similaridades e características de deserção nos clientes atuais, fornecendo, desta forma, previsibilidade para a tomada de ações visando a redução de churn.
Para potencializar os resultados das ações implementadas, que, numa empresa de telefonia, por exemplo, pode ser o aumento de bônus em internet ou ligações, é possível monitorar as manifestações e expressões do consumidor por meio da ferramenta de Sentiment Analysis, que permite entender o contexto de uma opinião do cliente no universo on-line e fazer uma interpretação adequada sobre o sentimento real do cliente em relação a ação promovida para evitar o churn.
O modelo de análise preditiva baseado em Machine Learning possibilita o uso dos dados não estruturados para extrair informações de alto valor e com elas identificar a churn rate e, ou, taxa de abandono de um produto ou serviço pelos clientes, que está relacionado a uma série de fatores ocultos, afinal como é possível entender o que se passa na cabeça do consumidor?
Com os resultados das análises, a organização é capaz de entender como o cliente utiliza seu produto, as condições de atendimento, o preço, a competição de mercado, entre outros indicadores, que podem ser utilizados para melhorar a qualidade do serviço prestado, bem como para aplicar na promoção de campanhas de redução de churn monitoradas por análises de sentimento. Já imaginou como seria ter a previsibilidade de clientes que pretendem deixar sua carteira? Essa é, sem dúvida, uma das estratégias de negócio que propiciam o incremento de receita, a fidelização e retenção da base clientes, pois é possível prever o comportamento, além de uma redução inteligente de custos.
Rafael Lategahn é Digital Innovation & Architecture Director da Engineering.
