Prever quais clientes estão prestes a sair é um dos usos mais comuns de aprendizado de máquina nos negócios. Também é um dos mais desperdiçados. As equipes comemoram um modelo com excelente acurácia, a campanha é enviada para uma lista escolhida por hábito e, um ano depois, ninguém consegue dizer se o investimento compensou.
Traduza o modelo em dinheiro
Quatro números transformam um modelo de churn em um caso de negócio: quantos clientes sairiam, o valor de reter um, a parcela dos clientes em risco contatados que a oferta realmente salva e o custo de cada contato. Ordene os clientes pela pontuação de risco do modelo e, para cada tamanho possível de campanha, calcule o valor salvo menos o custo de contatá-los.
Contatar todos rende 90 mil. Contatar os 46% de clientes que o modelo classifica como de maior risco rende cerca de 151 mil, dois terços a mais, com menos da metade dos contatos. Os mesmos 46% escolhidos ao acaso renderiam só cerca de 41 mil. Além do ponto ótimo, cada contato adicional custa mais do que salva, porque os clientes restantes dificilmente sairiam.
Três refinamentos que agregam valor
- Valor, não só risco: um cliente com 30% de risco que vale dez vezes mais merece uma ligação antes de outro com 60% de risco e baixo valor.
- Quem pode ser persuadido: modelos de uplift estimam quem muda de comportamento por causa da oferta, para não pagar para reter clientes que ficariam de qualquer jeito, nem provocar os que não ficariam.
- Mantenha sempre um grupo de controle: uma pequena parcela aleatória de clientes de alto risco que não é contatada é a única prova confiável do que a campanha rendeu.
O aprendizado de máquina só cria valor quando muda uma decisão. No churn, a decisão é quem contatar e com qual oferta, e a medida certa de sucesso é o lucro dessa decisão, verificado contra um grupo de controle.
Bartor S.
Fundador
