Como usar dados para reter clientes?

Este texto foi inspirado na aula sobre retenção de clientes dada pelo Diego Senise no curso Data Science para Estratégias de Marketing, do DataTech Club. Diego Senise é doutor em comunicação pela USP e na data do curso, era Chief Innovation Officer na consultoria ILUMEO e professor convidado de Comportamento do Consumidor na Universidade de São Paulo.

Churn de clientes e Regras de Negócio:

Digamos que uma empresa tenha um bom modelo de classificação que identifica a probabilidade de cada cliente evadir. Na prática, é possível identificar que determinado cliente tem 80% de chance de cancelar o seu contrato com a empresa nos próximos 30 dias. O que esse dado está nos mostrando? E se ele tivesse mais de 80% de chance de churn? E se tivesse 60%? O que isso significa na prática? 

A partir desses questionamentos, evidenciamos que o dado em si não resolve o problema de retenção. Ele apenas nos permite torna visível para os gestores algo que estava “escondido” em meio a tanta complexidade de dados e experiências de cada cliente. Então, qual seria o próximo passo, depois de identificar a chance de churn?

Os profissionais de Produto, Marketing e Operações têm um papel fundamental nessa etapa. Eles definem os thresholds, limites críticos a partir do qual a empresa deve implementar alguma ação de retenção. Essa junção de análise de dados e estratégia permite que a empresa tenha um plano de ação para cada resultado, por exemplo:

Ao olhar esse quadro, algumas perguntas vêm à cabeça. Quanto essas táticas custarão para a empresa? É possível definir um custo permissível por cliente (affordable cost per client) para que essas ações sejam implementadas como políticas de longo prazo? Como isso se conecta com as metas e OKRs dos gestores? É importante lembrar que todas as respostas dependem do contexto da empresa no momento. 

Por exemplo, durante o início da pandemia de Covid-19 em 2020, várias empresas mantiveram os seus algoritmos de classificação, porém alteraram os thresholds. Ou seja, nesta situação, perder um cliente tornou-se algo muito mais grave. As empresas preferiam reduzir margem (dando upgrades, oferecendo benefícios extra) em vez de correr o risco de perder os clientes. Na prática, as alterações foram feitas nas regras de negócio. Elas passaram a implementar ações quando identificavam níveis menores de probabilidade de churn. Se antes uma conversa com o colaborador era estimulada com 90% de chance de evasão, neste período, o threshold passou a ser 70%. Mais pessoas foram contactadas para evitar churn, pois a empresa estava mais disposta a aceitar um erro do tipo 1 (falso positivo - cliente que não sairia receber upgrade) do que um erro do tipo 2 (falso negativo - um cliente propenso a sair não receber contato.

Se você quiser entender mais sobre modelos de classificação e retenção de clientes, assine a DataTech Club e aumente sua capacidade analítica por meio de cursos ao vivo e gravados.