Customer churn analysis

Introduzione

Il tema della fidelizzazione della clientela e del tasso di abbandono (churn) è in questo periodo oggetto di attenzione in diversi settori, in particolare nel contesto del “customer lifetime value”.

L’azienda che sviluppa questo tipo di analisi riceve come beneficio la possibilità di valutare in modo preciso l’ammontare delle perdite a causa dell’abbandono della clientela e lo sforzo richiesto per la retention.
L’approccio “mass marketing” non ha più possibilità di successo nella complessità e nella diversità del mondo business consumer dei nostri giorni. Analisi di tipo customer lifetime value e customer churn analysis sono un sostegno imprescindibile alle strategie e alle campagne di marketing, perché aiutano a focalizzarsi su specifici gruppi di clienti e a non sprecare l’attenzione di questi ultimi.

In particolare il settore del personal retail banking è caratterizzato da clienti che rimangono con una società per un tempo molto lungo. I clienti di solito affidano la loro attività finanziaria a una società e non cambiano il fornitore di servizi finanziari molto spesso. Nell’ottica della società questo produce un ambiente stabile per la gestione del Customer Relationship Management (CRM).

In questo ambiente le perdite causate da un alto tasso di abbandono possono essere enormi.

Metodologia

L’obiettivo della churn analysis è quello di determinare i clienti che sono a rischio di lasciare la società come fornitore di prodotti/servizi. Questa, se possibile, deve essere corredata dall’analisi della profitabilità e del Customer Lifetime Value (LTV) del cliente per il quale si pensa di attivare strategie per trattenerlo.

La churn analysis è fortemente dipendente dalla definizione che si da dell’abbandono da parte del cliente.

Solitamente si definisce churner chi chiude tutti i prodotti o contratti di servizio con la società.

In letteratura i metodi statistici più utilizzati per quest’analisi sono la regressione logistica, le reti neurali e gli alberi decisionali.

La variabile che si vuole predire è solitamente dicotomica (0: non abbandono – 1: abbandono) e la regressione logistica fornisce una probabilità da 0 a 1 che l’evento avvenga.

Nella fase di analisi preparatoria alla churn analysis ci si può imbattere nel Class Imbalance Problem, per ovviare al problema si può utilizzare tecniche di oversampling.

Alcuni KPI da includere nell’analisi

Presentiamo ora alcuni dei KPI principali da includere nell’analisi:

  • Anzianità cliente
  • Cointestazione
  • Accredito stipendio
  • Num. Prodotti attivi
  • Variazioni di Balance
  • Num.Transazioni in/out (in particolare su ATM e carte credito)
  • Num. Claims (in particolare per clienti con poca anzianità)
  • Response alle Campagne di Marketing

Riferimenti

“Customer churn analysis – a case study”, Teemu Mutanen

Leave a Reply