La estadística avanzada puede ser una solución valiosa para tu compañía.
¿Qué tienen en común Netflix, Costco, Telmex, Axtel, EMME, Flores de Autor, y Six Flags? ¿Por qué algunas empresas que normalmente no ofrecían servicios de membresía lo están comenzando a hacer? La respuesta que es todos estos negocios se han dado cuenta que las preferencias de los consumidores comienzan a optar por rentar/suscribirse en vez de comprar, lo cual además les otorga una bolita mágica para predecir el comportamiento de sus clientes a través del tiempo. Por ser negocios que ofrecen membresías, pueden aprovechar la magia de la estadística para saber cuántos clientes continuarán pagando su membresía en los siguientes períodos.
Para lograr esto se necesita relativamente poca información sobre los clientes. Simplemente debemos tener los datos de fecha de entrada y de salida de los clientes por los últimos 6 períodos. El modelo estadístico impulsado por los profesores Peter Fader y Bruce Hardie, ha logrado desenredar hasta la forma más simple, el proceso de toma de decisiones de los clientes. El supuesto es que cada cliente, al llegar al final de un período de la membresía debe tomar la decisión de continuar pagando, o detener el servicio.
Imaginemos que, al tomar esta decisión, cada cliente tira un volado. En los volados normales, existe una probabilidad de 50/50. Sin embargo, las decisiones de los clientes no son tan parejas. Digamos que la moneda suele estar “cargada”, el problema es saber hacia dónde está cargada para los distintos clientes. Existen clientes que son fieles al producto/servicio, y tienen probabilidades altísimas de renovar y clientes con probabilidades muy bajas de renovar. El valor de este modelo está en que te indica con precisión cómo es la distribución de tus clientes.
Por ejemplo, en la siguiente gráfica podemos observar tres tipos de negocios de acuerdo con la cantidad de “churn” o pérdida de clientes. La línea anaranjada muestra una mezcla de clientes que llamamos “polos opuestos”, es decir, tenemos muchos clientes muy fieles y muchos clientes que duran poco. La línea azul representa un negocio de membresía rentable. Tiene muchos clientes que permanecen en la membresía por mucho tiempo y pocos que salen rápidamente. La línea roja representa un negocio que no es rentable, tiene muchos clientes que duran muy poco tiempo con su membresía.
Si podemos saber cuántos clientes van a mantener su membresía por los siguientes períodos, podemos sacar otras conclusiones que nos ayudan a tomar decisiones de negocio. Una de ellas es el “customer lifetime value” o el valor de ciclo de vida del cliente. Es decir, si sabes que un cliente mantiene su membresía por 6 meses y la membresía cuesta 100 pesos al mes, el valor del ciclo de vida de este cliente es de 600 pesos. Con este modelo estadístico se puede calcular este valor para todos los clientes.
Al tener esta información se pueden tomar decisiones importantes para inventarios, costos de servicio, y estrategias de promoción. Aunque es necesario hacer la prueba en el caso de las promociones, conocer la diferencia en retención de clientes de aquellos que se suscriben en un período normal vs los que se suscriben en promoción, se pueden tomar decisiones sobre el costo de la promoción. Por ejemplo, si el modelo nos indica que los clientes que se suscriben en tiempos de promoción tienden a durar máximo 2 períodos, podemos calcular cuánto van a pagar en ese tiempo y con esta información se puede decidir si estas promociones son rentables o no.
En la gráfica a continuación se presentan tres escenarios. El anaranjado, que tiene muchos clientes que duran mucho tiempo y muchos que salen rápidamente. La línea azul tiene un ritmo de salida más lenta que la anaranjada, y la línea roja, tiene muchos clientes que entran y salen de la membresía muy rápidamente.
Si se busca tener más detalle sobre la retención de diferentes tipos de clientes, solo basta con tener una muestra de más de 100 clientes de un tipo en 6 períodos para poder obtener resultados fidedignos. Por ejemplo, si quisiéramos segmentar por edades, por género, o por localización, basta con solo segmentar la información por grupos y sacar las curvas para cada uno de los grupos. De esta forma podemos ver en qué grupos de clientes podemos tener un negocio no rentable y buscar las razones para ello. Por ejemplo, si vemos que el segmento de personas mayores a 65 años en un negocio se muestra como la línea roja, sabemos que debemos indagar más a las razones de la fuga de clientes en este grupo.
Al comparar datos de promociones, períodos de tiempo en diferentes años, temporadas, y tipos de clientes, podemos obtener indicaciones precisas de qué es lo que estamos haciendo bien y qué es lo que debemos cambiar. Con mediciones precisas también podemos medir el progreso de estos cambios en datos estadísticos muy precisos y crear nuevas estrategias, como membresías premium o pagos por adelantado, y modelarlas para obtener datos y hacer predicciones estadísticas con ellas que pueden informar nuestras decisiones a futuro.
Los resultados en vida real de este tipo de proyectos pueden traer beneficios tangibles y medibles. Por ejemplo, en un proyecto realizado con una empresa de Entretenimiento, que pertenece a las Fortune 1000 en Estados Unidos, creamos 6 modelos diferentes, que cubrían 3 tipos de servicio en dos períodos de renovación (mensual y anual). Con información de 6 períodos anteriores de fechas de entrada y salida de clientes, logramos obtener las tendencias año con año, comparar los clientes que ingresaron por medio de promoción con los que ingresaron a precio regular, y comparar a los clientes que ingresaron por lanzamiento de contenido vs los que ingresaron de forma regular. Al final, mejoramos los pronósticos de la empresa reduciendo el error de 27% a un 5%. Al final de los 6 períodos de predicción, pudimos comprobar este bajo margen de error.
Hoy en día, saber qué van a decidir tus clientes en el futuro representa una gran ventaja competitiva que pocas empresas en México y Latinoamérica están aprovechando. La belleza de estos modelos es que, al utilizar los datos únicos de cada empresa, lanzan resultados que aplican solo para esa compañía. Es decir, aunque la forma en que los clientes toman decisiones sobre la cancelación de un servicio de internet comparado con la suscripción a una aplicación de entretenimiento es muy diferente, el modelo estadístico arrojará los resultados precisos para cada uno de estos negocios, con un margen de error bajo.
Hoy ya no es necesario tener una bolita mágica. La estadística avanzada puede ser una solución valiosa que tu compañía puede aprovechar por muchos años, después de la primera aplicación. Sintec Consulting puede ser un aliado valioso en implementar esta solución en tu compañía porque contamos con la experiencia necesaria y el conocimiento técnico de este modelo, para hacerte la mejor recomendación de qué datos medir en qué momento, y qué tan seguido alimentar la herramienta para obtener la inteligencia necesaria para la toma de decisiones. Una vez que cuentas con el modelo instalado, puedes seguir haciendo predicciones ilimitadas.
Referencias
- Fader, Peter S. & Bruce G. Hardie (2007) How to project customer Retention. Journal of Interactive Marketing Volume 21. N1. pdf https://faculty.wharton.upenn.edu/wp-content/uploads/2012/04/Fader_hardie_jim_07.pdf
Gabriel Viesca
