Como criar um modelo preditivo de NPS?

Este texto foi inspirado na aula de Customer Success dada pelo Guilherme Kolberg no curso Data Science para Estratégias de Marketing, da DataTech Club. Na data do curso, Guilherme era Sócio e Head Customer Experience e Atendimento na XP Investimentos.

Segundo o autor, com base nas respostas, seria possível identificar três grupos relevantes:

• Grupo 1 - Cliente Detrator: Neste grupo estão as pessoas que assinalaram a escala de 0-6, denominados de clientes detratores, que possuem não apenas grandes chances de deixarem de ser clientes, mas também de expor sua insatisfação para amigos e familiares, prejudicando a imagem da empresa. 

• Grupo 2 – Cliente Neutro: Neste grupo estão as pessoas que assinalaram a escala 7-8, denominados de clientes neutros, são consumidores que provavelmente estão satisfeito com a qualidade dos serviços, mas não ao ponto de promoverem a empresa, então não são inseridos no cálculo da métrica.

• Grupo 3 – Cliente Promotor: Neste grupo estão as pessoas que assinalaram a escala 9-10, denominados de clientes promotores, ou seja, pessoas que estão satisfeitas com o serviço que receberam e estão dispostas a comentar com familiares e amigos. 

Vale ressaltar que é mais fácil para uma pessoa responder uma pergunta do que um formulário. Para transformar esse feedback em uma métrica precisamos efetuar o seguinte cálculo:

O resultado pode variar de -100 até 100 e é dividido em 4 posições.

• -100 até 0 = Posição de desaprovação, empresas ruins que precisam de revisão.
• 1 até 50 = Posição de aperfeiçoamento, empresas razoáveis que precisam melhorar
• 51 até 75 = Posição de qualidade, empresas que vão bem e estão no caminho da excelência
• 76 até 100 = Posição de excelência

Essa métrica pode ser utilizada para avaliar não apenas a empresa, mas também um produto recém-lançado, atendimentos e também avaliar comportamento de diferentes grupos.

Neste texto, falaremos mais de como transformar o modelo clássico de NPS, para um modelo preditivo e mais tecnológico para criação de insights. Mais pontos sobre o NPS como métrica de avaliação serão abordados em outros textos aqui no blog do DataTech Club.

Para se construir um modelo preditivo de NPS, o primeiro passo é identificar as variáveis mais relevantes para se mensurar a satisfação do cliente. No caso fictício de uma instituição financeira, pode-se considerar:

• Cadastro e Atendimento: Tempo médio para se cadastrar e a quantidade de atendimentos em períodos de 15 e 30 dias, considerando o tempo acumulado em espera nos canais de atendimento (e-mail, chat, telefonemas)
• Assessoria e Navegação na Web/App: Engajamento do cliente em publicações na internet, frequência de acesso, taxa de sucesso no login e visualizações da Assessoria.
• Financeiros: Ganhos ou perdas, aportes financeiros etc.
• Produtos e Pesquisa: Quais produtos o cliente comprou, se participou das pesquisas.

Todas essas variáveis da jornada do cliente devem ser organizadas em um Data Lake, repositório utilizado para armazenar todos os dados estruturados e não estruturados, permitindo análises em tempo real e também o uso de machine learning. Antes de entender os próximos passos devemos nos perguntar:

Por que um NPS Preditivo?

Imagine que você solicitou atendimento do gerente de banco para resolver um problema urgente, mas você se depara com as seguintes situações. 

• Primeiro, ele demora para retornar as suas mensagens, e-mails e telefonemas
• Quando retorna, não conhece o seu perfil e faz perguntas que te fazem perder tempo
• Por fim, faz um procedimento errado que não resolve o seu problema

Temos todos os indicadores claros de que o atendimento não foi bom. Um “NPS Preditivo” conseguiria modelar esses indicadores e selecionar você como um potencial cliente detrator, ou seja, um cliente que dará nota baixa de NPS quando for pesquisador. É um modelo que prevê a nota do NPS de cada consumidor. Com base nisso, a empresa pode se antecipar, implementando ações que reduzam a insatisfação do cliente, antes mesmo de ele reclamar ou dar nota baixa na pesquisa.

Construção de um NPS Preditivo 

É possível usar diferentes algoritmos de classificação para endereçar este problema. No exemplo abaixo, há uma imagem que representa um modelo de árvore de decisão (decision tree), que infere a probabilidade de um cliente estar pouco ou muito satisfeito baseado em score. quanto mais próximo de 100, mais potencialmente detrator é esse cliente, quanto mais próximo de 0, menos potencialmente detrator ele tende a ser.

E depois disso tudo?

Depois da identificação da probabilidade de nota de NPS de cada indivíduo, é necessário:

- Desenvolver um processo automático de disponibilização desses dados para as áreas de negócio interessadas 

- Definir thresholds (limites) a partir dos quais a empresa acredita que deve agir para “recuperar” um cliente.

- Criar regras de negócios que deixem pré-determinadas as ações que devem ser tomadas a partir do atingimento de cada threshold. Na prática, a empresa identifica clientes potencialmente detratores (threshold = inferência de nota 3 ou menor no NPS) e cria diferentes formas de tratamento (telefonemas, e-mails, mensagens), benefícios, descontos etc. 

- Fazer experimentos em que se definem grupos teste (que receberam determinadas ações personalizadas) e grupos controle (que não as receberam, seguiram com o atendimento padrão.

- Fazer análise de dados do experimento comparando os grupos e identificando o “affordable cost per client” (custo permissível por cliente). Ou seja, quanto vale gastar para recuperar a experiência ruim que um cliente teve.

Também é possível fazer ações inversas: identificar potenciais promotores e testar com eles um programa de indicação de clientes. A premissa é que os promotores indicam mais leads, mais qualificados e com menores taxas de churn. 

Se você quiser entender mais como metrificar e analisar dados de Customer Experience que vão te ajudar a identificar oportunidades e estar sempre um passo à frente de possíveis problemas, assine a DataTech Club para desenvolver ainda mais sua capacidade analítica.