Motor Cognitivo de Previsão de Churn
Como prever o cancelamento de um cliente?
Calcular a probabilidade de Churn é um processo importante para a estratégia de um negócio. Ela ajuda os times responsáveis a desenvolverem um plano de ação capaz de reter os clientes mais estratégicos e otimizar investimentos com campanhas de marketing, por exemplo.
Com um time de especialistas em Ciência de Dados e utilizando Inteligência Artificial e técnicas avançadas de Machine Learning, a Lumini desenvolveu um motor cognitivo capaz de prever pessoas com maior chance de deixarem de se tornar clientes.
CIÊNCIA DE DADOS & IA
CARACTERÍSTICAS
Churn - Jornada Customer Retention
Através de uma jornada de Retenção, utilizamos modelos para identificar padrões e tendências de clientes com maior probabilidade de cancelamento.
Inadimplente
Trata-se de um algoritmo de previsão utilizado para identificar indivíduos ou empresas que têm alta probabilidade (risco) de não cumprir com suas obrigações financeiras, como pagamentos de dívidas ou empréstimos. Ele é geralmente construído a partir de dados históricos de pagamentos e outras informações relevantes, como renda, crédito e histórico de pagamento.
Self-Cure
É um algoritmo de Machine Learning que busca identificar, a partir de padrões, clientes que estão com atrasos nos pagamentos, mas que têm potencial de regularizar suas dívidas sem a intervenção externa. Dessa forma, é possível priorizar ações de cobrança para os clientes que realmente precisam de intervenção externa e dar mais tempo para os clientes que têm potencial de regularizar suas dívidas.
Churn
Trata-se de um algoritmo que investiga as condições dos clientes antes do cancelamento de serviços, usando dados históricos para identificar padrões relacionados ao cancelamento. Ele não segue uma linha do tempo, mas sim calcula a probabilidade de cancelamento com base nas características atuais do cliente (atrasos de pagamento, solicitações abertas, satisfação, etc.) usando aprendizado de máquina. O objetivo é determinar padrões entre essas características e os padrões de cancelamento aprendidos com dados históricos.
Deteriore
Algoritmo que avalia o comportamento dos clientes durante o uso do serviço, usando o histórico de ações (chamados, pagamentos, atendimentos, atrasos, alterações de dados, etc.) para identificar características relacionadas ao cancelamento de serviço. Aprendizado de máquina é usado para detectar padrões de comportamento que podem levar à saída do cliente. Quando um padrão é detectado, um marcador de tempo é associado ao cliente como uma previsão de quando ele cancelará o serviço, que é atualizado conforme mais padrões são detectados.
Churn - O que podemos fazer?
Previsão de Churn
Estimar a probabilidade de um cliente cancelar ou não renovar seu serviço ou produto. Pode ser realizado utilizando técnicas como Regressão Logística, Random Forest ou XGBoost.
Análise de Causas de Churn
Identificar as principais razões que levam os clientes a cancelarem seus serviços ou produtos. Pode ser realizado utilizando técnicas de Análise de Correspondência Múltipla, Análise de Agrupamento ou Análise de Componentes Principais.
Monitoramento de Churn em Tempo Real
Monitorar o churn em tempo real e identificar oportunidades para intervir e evitar o cancelamento. Pode ser realizado utilizando técnicas de processamento em lotes ou processamento em tempo real.
Análise de Self-Cure
Identificar as ações que os clientes podem tomar para resolver seus problemas sem a necessidade de atendimento ao cliente. Pode ser realizado utilizando técnicas de Análise de Correspondência Múltipla, Análise de Agrupamento ou Análise de Componentes Principais.
Previsão de Inadimplência
Estimar a probabilidade de um cliente não pagar suas dívidas. Pode ser realizado utilizando técnicas como Regressão Logística, Random Forest ou XGBoost.
Análise de Causas de Inadimplência
O objetivo deste serviço é identificar as razões pelas quais os clientes não estão pagando suas dívidas. Isso pode incluir falta de recursos financeiros, problemas com a plataforma, problemas com o produto ou serviço oferecido, entre outros. Algumas técnicas que podem ser usadas incluem análise de dados textuais, análise de log, modelos de regressão, árvores de decisão e clustering.
Previsão de Self-Cure
Este serviço se concentra em prever se um cliente que está inadimplente pode se curar por conta própria. Isso pode ser útil para que a Empresa possa identificar quais clientes precisam de ajuda adicional para resolver seus problemas financeiros.
Análise de Jornada do Cliente
Este serviço se concentra em entender o percurso do cliente antes, durante e depois de inadimplente. Isso pode incluir informações sobre o comportamento de pagamento, o uso da plataforma, as interações com o suporte ao cliente e outras informações relevantes
Análise de Prevenção de Inadimplência
Identificar padrões e tendências que possam ajudar a prevenir o atraso ou a falta de pagamento de contas pelos clientes. Algumas técnicas que podem ser utilizadas incluem: Modelos de Classificação, Análise de Associação de Regras de Sequência e Análise de Séries Temporais.
Monitoramento de Inadimplência
Esse serviço visa acompanhar a situação de inadimplência dos clientes em tempo real e identificar quais clientes estão em risco de inadimplência. Ferramentas como dashboards interativos, baseados em tecnologias como PowerBI ou Tableau, podem ser utilizadas para visualizar os dados de inadimplência e identificar rapidamente quais clientes estão com contas atrasadas.
Análise de Churn Proativa
Utilizada para identificar clientes com maior probabilidade de cancelar contrato ou deixar de ser um cliente. É importante realizar a análise de churn proativa para que a empresa possa tomar medidas de prevenção.
Análise de Perfil de Churn
Essa análise visa identificar as características comuns dos clientes que estão mais propensos a cancelar seus contratos ou deixar de usar os serviços da Empresa. Isso pode ser feito através de técnicas de mineração de dados, como clustering, classificação ou análise discriminante.
Análise de Série Temporal
Identificar padrões ou tendências no comportamento dos clientes ao longo do tempo. Isso pode ser útil para identificar os momentos em que os clientes estão com maior propensão de cancelamento.
Modelagem Preditiva
A modelagem preditiva é a técnica de ciência de dados que usa algoritmos para prever o resultado de uma variável de interesse, com base em dados históricos. Essa técnica pode ser usada para prever a probabilidade de inadimplência, churn ou self-cure de um cliente.
Análise de Clustering
A análise de clustering é uma técnica de análise de dados que ajuda a identificar grupos de objetos similares. Essa técnica pode ser usada para identificar grupos de clientes com comportamentos semelhantes em relação ao churn, inadimplência ou self-cure.
Análise de Correlação
É uma análise estatística que busca entender a relação entre duas ou mais variáveis. É possível identificar, por exemplo, se existe uma relação entre a fidelização de um cliente e o uso de determinados produtos ou serviços.
Análise de Regressão
É uma análise estatística que busca prever o valor de uma variável a partir de outras variáveis independentes. É possível utilizar esta técnica para prever a probabilidade de inadimplência de um cliente, por exemplo.
Modelagem de Decisão
É uma técnica que busca entender a relação entre diversas variáveis e, a partir disso, tomar decisões. É possível utilizar modelagem de decisão para identificar quais ações são mais eficazes para prevenir o churn ou para estimular o self-cure.
Machine Learning
É uma técnica de aprendizado automático que busca criar modelos a partir de dados para prever resultados futuros. É possível utilizar Machine Learning para prever a probabilidade de churn, por exemplo.
Análise de Dados de Interação com o Cliente
Coletar e analisar dados relacionados a interações dos clientes com a Empresa (ligações telefônicas, chats, e-mails etc.). A análise pode incluir informações sobre a frequência de contato, duração, motivo e satisfação do cliente.
Isso ajuda a Empresa a entender como os clientes estão interagindo com a empresa e a identificar padrões que possam indicar risco de churn ou inadimplência.