As campanhas de prevenção de churn proactivas fornecem um aumento expectável da margem de manobra para evitar o churn de clientes e, como o objectivo é antecipar comportamentos de churn
por parte dos clientes, estas campanhas deverão ser suportadas por modelos de previsão. Estes são modelos que baseados em factos históricos propõem prever eventos similares no futuro. Contextualizando, no caso de estudo sobre o fenómeno de churn, a previsão de futuros comportamentos de churn numa empresa será baseada no comportamento demonstrado pelos clientes do passado, ou seja, serão usados os dados de diversos clientes que foram sendo armazenados e que descrevem o seu comportamento ao longo de um determinado período de tempo passado na tentativa de encontrar semelhanças com os dados e os comportamentos dos clientes que se pretende prever o futuro.
Diferentes Modelos de Churn
Em termos gerais, a previsão de churn pode ser feita através de dois tipos de modelação. O primeiro tipo dá como resposta um resultado do tipo binário, ou seja, prevê quais os clientes que irão terminar a sua ligação com a companhia e os que irão continuar. Vulgarmente, estas previsões são feitas para um horizonte relativamente curto. Por outro lado, pode ser usado um segundo tipo de modelação que tenta estimar o tempo de vida restante do cliente na empresa, ou seja, quanto mais tempo o cliente vai permanecer na empresa - são modelos suportados por técnicas de data
mining (Berry e Linoff, 2004). Resumidamente os dois tipos de modelação normalmente aplicados na previsão de churn são:
− Modelos de churn binários. Este é o tipo mais utilizado na previsão de churn (Jinbo et al., 2007). O objectivo destes modelos é a previsão dos clientes que estão em risco de churn
num horizonte temporal próximo. Posto isto, é necessário definir esse período de tempo, que não poderá ser muito curto para possibilitar a intervenção sobre estes clientes (Berry e Linoff, 2004). Os dados históricos do cliente são combinados com uma flag que marca o cliente como ativo ou não. Depois, serão então aplicados algoritmos de classificação como a regressão logística, árvores de decisão ou redes neuronais. O resultado será um modelo que aplicado aos dados gera uma probabilidade de churn dos clientes em causa (Berry e Linoff, 2004). Deste modo, os clientes que tiverem uma probabilidade de churn superior ao limite definido serão inseridos no programa de retenção.
− Modelos do tempo de vida restante. Estes modelos poderão não ser tão utilizado como os modelos binários, mas também proporcionam resultados interessantes. Propõem prever o tempo restante dos clientes na empresa, proporcionando mais informação do que simplesmente "quem vai abandonar a empresa nos próximos 60 dias", na medida em que, a estimativa do “tempo de vida” (tempo que o cliente permanecerá na empresa) restante de um cliente pode ser usada em modelos LifeTime Value (LTV) para calcular o valor do cliente ou como base para a definição de um score de lealdade de um cliente. Neste último caso, a lealdade de um cliente é baseada no tempo futuro que o cliente vai permanecer na empresa e não no tempo que o cliente permaneceu até ao presente.
A Importância da Precisão e Compressibilidade
Dois aspectos fundamentais na implementação de um modelo de churning são a compreensibilidade e precisão obtidas (Verbeke et al., 2011). Um modelo preciso permite a rentabilização das campanhas de retenção focando-as nos clientes certos. Por seu lado, a compreensibilidade é a propriedade de descobrir informação sobre as causas dos clientes partirem que pode ser usada para melhorar as campanhas de retenção. Resumidamente, as razões da importância destas propriedades são:
− Precisão (Poder Preditivo). Uma boa precisão significa um erro estimado baixo (Breiman, 2001b). Na modelação de churn, uma característica fundamental, é que o número de clientes no estado churn é extremamente baixo, o que leva a que a precisão seja uma propriedade fundamental para o seu sucesso (Zhao et al., 2005). Para além disso, com previsões de churn imprecisas, as empresas poderão estar a desperdiçar algum dinheiro em clientes que não estavam em risco de churn (Burez e Van den Poel, 2007). É essencial, pois, que a previsão de casos de churn seja o mais precisa possível.
− Compreensibilidade dos modelos. Kim e Yoon (2004) defendem que é essencial entender as causas que levam ao churn de clientes, de forma a minimizar o fenómeno e aumentar a lealdade dos clientes. Quando se quer agir em campanhas de retenção, terá que se interagir com os clientes, sendo necessário compreender os problemas existentes. Portanto, torna-se necessário perceber e estudar as razões de churn (Ahn et al., 2006; Verbeke et al., 2011; Wang et al., 2009). Essa informação permite melhorar as campanhas de retenção (Verbeke et al., 2011) e permite ainda reavaliar e melhorar os modelos de
churn (Wang et al., 2009). Contudo, a compreensão das causas do churn e a compreensibilidade dos modelos estão a ser, de certa forma, subvalorizados na literatura sobre o tema (Ahn et al., 2006; Verbeke et al., 2011).
Infelizmente, na previsão, a precisão e a compreensibilidade dos modelos estão em conflito (Breiman, 2001b).
Avaliar a Rentabilidade do Projeto
Para implementar uma campanha de prevenção de churn é necessário estabelecer métodos para medir a sua eficácia. Para além de avaliar o modelo de previsão usado, é necessário estimar, no início, e calcular, no final, o retorno real que advém de implementar a campanha de prevenção de forma a justificar o investimento. Neslin et al. (2006) apresentaram uma forma simples de calcular o retorno a partir das seguintes variáveis:
− N, número total de clientes.
− α, fracção dos clientes abrangidos pelo programa de gestão de churn. − β, fracção dos clientes abrangidos que eram de facto churners. − δ, custo do incentivo usado para manter o cliente.
decidiram permanecer na empresa devido ao incentivo (i.e. taxa de sucesso do incentivo). − c, custo de contactar o cliente para lhe oferecer o incentivo.
− CLV, Costumer Lifetime Value (i.e. o valor para a firma se o cliente for mantido). − A, custos administrativos fixos do programa de gestão de churn.
A partir destas variáveis, o lucro de uma campanha de gestão de churn pode ser calculado da seguinte forma:
Em que a parcela diz respeito à fracção dos clientes que decidiu permanecer na empresa devido ao programa, a parcela diz respeito à fracção de clientes no qual o programa não obteve efeito e reflete os custos dos clientes que aceitaram a oferta mas que não iam abandonar a empresa
O termo reflete a eficiência do modelo e pode ser expresso como:
em que β0 é a taxa de churners do total de clientes da empresa e λ é o "lift" (diz-nos o quanto
mais provável que aconteça churn a um cliente do grupo abrangido pelo programa relativamente ao total de clientes da empresa)