Tra gli ambiti applicativi delle analisi predittive basate sulle tecniche di intelligenza artificiale, la churn analysis ha progressivamente assunto una valenza strategicamente rilevante grazie al suo stretto legame con il grado di soddisfazione del cliente nei confronti di un prodotto o di un servizio, da cui dipende la fidelizzazione o l’abbandono in favore di un’offerta concorrente. Si tratta di uno degli aspetti più delicati per il successo di un business, in funzione del quale l’analisi dei dati si rileva un preziosissimo alleato.

In questo articolo vedremo nello specifico in cosa consiste la churn analysis e per quale motivo le analisi predittive rivestono un ruolo fondamentale nell’utilizzare uno storico di dati per prevenire episodi e tendenze sfavorevoli al business.

 

Cos’è la churn analysis

 

La definizione di churn analysis coincide con l’analisi previsionale della defezione, che può essere espressa come la tendenza degli utenti ad abbandonare un prodotto o un servizio di cui sono attualmente clienti. In altri termini, la churn analysis è utile a prevedere e prevenire gli effetti del churn rate, ossia il vero e proprio tasso di defezione cui si assiste in un determinato periodo analizzato.

Immagine promozionale per il whitepaper su Data Driven

Prima di entrare nello specifico della churn analysis, è importante sottolineare come si tratti di una disciplina analitica che utilizza lo storico dei dati per implementare strategie basate su analisi e previsioni – il più possibile oggettive – delle dinamiche relative ai comportamenti di ogni singolo cliente.

I dati analizzati si riferiscono infatti sia ai fattori specifici dell’anagrafica del cliente B2B o B2C, che ai fattori comportamentali che determinano la sua interazione con il nostro business, ad esempio da quanto è nostro cliente, la frequenza con cui acquista i nostri servizi o visita il nostro sito web, oppure il nostro atteggiamento nei suoi confronti: quando gli abbiamo inviato l’ultima newsletter? Che cosa conteneva? Il cliente è aggiornato sulla nostra offerta? Sono solo alcune delle domande che ogni giorno i reparti operativi delle aziende si pongono ogni giorno per cercare di rendere efficienti le proprie strategie.

Se implementata singolarmente, la churn analysis può restituire un aspetto parziale, l’impiego sinergico con l’analisi di coorte consente di avere una visione unificata dell’intero Customer Lifetime Value (CLV), la metrica di riferimento per valutare gli aspetti profittevoli legati ad un cliente in funzione di un determinato business.

Vediamo ora a cosa serve, nello specifico, l’analisi del churn, e quali sono le ragioni per cui ogni giorno viene utilizzata da un numero sempre maggiore di aziende.

 

A cosa serve (perché è importante per la customer retention)

 

Tra le varie finalità cui può rivelarsi utile, la churn analysis serve soprattutto a ridurre al minimo le probabilità di abbandono da parte di un cliente, contenendo il più possibile il churn rate (tasso di defezione).

Le eventualità in cui un’azienda può ricorrere alla churn analysis sono molte. Tra le più comuni rileviamo una crescita improvvisa o non giustificata dell’abbandono dei clienti, così come la volontà di prevenire tali dinamiche impostando delle soglie, dei campanelli di allarme per poter intervenire prima che la situazione precipiti. In ogni caso, l’obiettivo dell’analisi è mirato a comprendere, oltre agli aspetti quantitativi, quale sia la tipologia di cliente o il segmento della propria audience più influenzati dalle dinamiche della defezione, in modo da localizzare le azioni correttive.

L’atteggiamento di reazione innescato dalla conoscenza dei fenomeni relativi all’abbandono serve alle aziende per maturare opportune strategie di customer retention, finalizzate, come il nome stesso suggerisce, a mantenere il più possibile solida la base clienti acquisita, piuttosto che a compensare le perdite grazie a nuove acquisizioni.

In termini concreti, per rispondere strumentalmente a queste esigenze, la churn analysis impiega metodi e tecniche propri delle analisi predittive, supportate dalle più avanzate tecniche di intelligenza artificiale.

 

L’importanza delle analisi predittive

 

L’era di trasformazione digitale che stiamo vivendo ci pone di fronte ad una nuova risorsa fondamentale, costituita dai dati, pronti ad essere analizzati in funzione di un’ampia gamma di esigenze. La churn analysis rientra pienamente nella visione di questo paradigma emergente.

Le analisi predittive si basano su appositi sistemi di machine learning che, grazie alle tecniche di intelligenza artificiale, sono in grado di effettuare un vero e proprio auto apprendimento sulla base dei dati che derivano da uno storico.

Un aspetto fondamentale dei modelli di auto apprendimento è dato dalla capacità di valutare la sovrapposizione degli effetti dati dalla combinazione delle variabili analizzate, andando a cogliere degli aspetti, sia quantitativi che qualitativi, che il decisore umano non sarebbe mai in grado di rilevare con il proprio livello di attenzione.

Il compito delle analisi predittive non è dunque quello di sostituirsi all’uomo, ma di supportarlo nelle decisioni grazie ad una serie di previsioni aggiornabili in tempo reale che consentono di avere una valutazione il più possibile accurata delle conseguenze sugli scenari di riferimento.

Nel caso del churn analysis, un esempio riferibile a quanto appena espresso potrebbe essere costituito dalla valutazione del numero di utenti che non rinnova la sottoscrizione ad un servizio, senza abbandonarlo, bensì accontentandosi di una soluzione meno dispendiosa. Analizzando individualmente ogni comportamento, potremmo notare degli aspetti sorprendenti, cui a priori non avremmo mai pensato, che ci porterebbero a correggere dei limiti legati ad un’offerta commerciale ridondante in favore di soluzioni di pricing più coerenti con i servizi attesi ed effettivamente utili alla nostra base clienti.

Se l’evoluzione informatica dei sistemi computazionali consente di effettuare analisi sempre più accurate, il ruolo dell’analista umano diventa sempre più rilevante per garantire l’aderenza dei modelli previsionali a scenari realistici, al fine di ottenere delle valutazioni credibili in supporto alle decisioni da prendere. Si tratta di un aspetto emerso con particolare criticità nel contesto della pandemia Covid-19, che ha letteralmente stravolto molte delle abitudini e delle prassi di riferimento, rendendo addirittura fuorviante l’impiego di uno storico di dati su un modello concepito prima della pandemia.

Un analista deve quindi ridefinire i modelli di analisi cercando di capire dove il dato rilevato non è influenzato dalle dinamiche della pandemia, dove è caratterizzato da una anomalia da scartare e dove invece corrisponde effettivamente a ciò che viene definito il new normal, ossia il nuovo scenario di riferimento.

 

I vantaggi della churn analysis

 

Se l’analisi oggettiva di uno storico di dati ci consente di avere un quadro della situazione per interrogarci sulle cause che portano i clienti ad abbandonare una determinata offerta, gli aspetti predittivi consentono di maturare una ulteriore consapevolezza del problema, funzionale alle decisioni strategiche e gestionali indispensabili per invertire gli effetti, agendo a priori sui fattori critici che contribuiscono alle cause della defezione.

Grazie alla churn analysis è pertanto possibile trasformare una seria minaccia alle sorti del business di un’azienda in una serie di opportunità, canalizzate soprattutto in due direzioni:

 

  • – Miglioramento del prodotto / servizio: se gli utenti abbandonano il nostro servizio in favore di un servizio concorrente, con ogni probabilità questi sarà più performante o capace di intercettare in maniera più efficace le esigenti degli utilizzatori. Se vogliamo rimanere competitivi sul mercato, dovremo prenderne atto, analizzare i competitor, rilanciando con un’offerta a sua volta più efficace ed innovativa. Allo stesso modo, se gli utenti abbandonano una nostra soluzione perché stanchi di non ricevere supporto o ritrovarsi sempre di fronte agli stessi “bug”, dovremo intervenire prontamente nelle operazioni legate al customer care. Abbiamo citato due tra le innumerevoli possibilità che una churn analysis può mettere in evidenza, ai fini di prevedere strategie correttive dirette ad incrementare la qualità dell’offerta.

 

  • – Miglioramento della strategia di marketing / vendite / customer care: in molti casi, non è raro assistere a prodotti molto validi che subiscono delle dinamiche penalizzanti in termini di vendita, con fenomeni di abbandono anche piuttosto pronunciati. Questo può avvenire per molte ragioni: prezzo troppo elevato, strategie più aggressive da parte della concorrenza, lacune nel supporto post-vendita, oppure scarsa attenzione alle esigenze individuali del cliente. In questo frangente i dati raccolti da fonti diverse si rivelano inestimabili per le attività legate al churn analysis, ai fini di individuare i punti critici delle attività di marketing, vendite e customer care dell’azienda e mettere in atto azioni correttive prima che sia troppo tardi.

 

Un altro aspetto rilevante nell’analisi predittiva è dato dall’interpretazione del churn, che non corrisponde sempre ad un effetto negativo. Semplificando a livello concettuale, potremmo infatti distinguere il churn “buono” dal churn “cattivo”. Un’analisi mirata potrebbe rivelarci come, a seguito di alcune variazioni del prodotto, si registri un elevato tasso di abbandono da parte di una categoria di clienti poco profittevole. In tal caso, pur a fronte di un trend negativo, la direzione intrapresa potrebbe anche essere quella giusta. Andando più a fondo dell’analisi, infatti, potremmo addirittura valutare che una parte del nostro portfolio non sia particolarmente profittevole e decidere di eliminare alcuni prodotti / soluzioni, investendo in maniera più decisa su quelli ritenuti strategicamente e remunerativamente più efficaci per il nostro business ed in funzione delle esigenze, delle aspettative e delle abitudini dei clienti di maggior valore per il brand o l’azienda.

A prescindere dalle applicazioni, il principale vantaggio di un’azione predittiva basata sull’analisi dei dati oggettivi è relativo all’interrogarsi sulle cause di una dinamica, aumentando progressivamente il livello di consapevolezza nei confronti del problema, in modo da implementare strategie concrete che prescindono dalla singola area di attività, per andare nella direzione del generale miglioramento del business dell’azienda.

 

Approfondimenti da BNext:

Cluster Analysis: cos’è e come si esegue

La tendenza a creare gruppi omogenei a partire dai dati di cui si dispone rappresenta un atteggiamento sempre più diffuso per descrivere un fenomeno che non si conosce a priori e renderlo facilmente comprensibile agli stakeholder. La scienza dei dati affronta in vari...

Data Driven: cosa significa e come applicarne i principi in azienda

Nell’era del digitale, parlare di data-driven è diventato quasi un imperativo categorico, ma cosa vuol dire per davvero, essere un’azienda data-driven? A questa fondamentale domanda è possibile rispondere in molti modi, anche perché i contesti in cui ci si approccia...

Data Science Lifecycle, le 6 (+1) fasi del processo

La Data Science è un campo di studi interdisciplinare il cui obiettivo finale è estrarre informazione e conoscenza utili da dati strutturati o non strutturati. Non esiste un framework unico e universalmente condivido per definire i processi di Data Science, tuttavia, dal punto di vista tecnico lo standard KDD è quello a cui ci si ispira maggiormente, perché indica l’intero processo di ricerca di nuova conoscenza dai dati.

A cosa serve la Data Science?

L’analisi dei dati è in generale una materia molto ampia e con una storia che rimanda indietro di diversi anni da oggi. Si inizia a parlare di analisi dati già alla fine del 1700 con le prime visualizzazioni grafiche e l’evoluzione di questa materia non solo negli...

Churn Strategy: gli step per impostarla al meglio minimizzando il Churn Rate

Churn analysis e churn rate sono due concetti strettamente connessi: l’analisi degli abbandoni (churn analysis) è quella branca della Data Science attraverso cui si cerca di prevedere quali clienti hanno maggiori probabilità di abbandonare l’azienda, cosa che si...

I 6 comandamenti per un Data Storytelling di successo 

Letteralmente il Data Storytelling è l’arte del raccontare una storia attraverso i dati. Si tratta dell’evoluzione della Data Visualization, l’ultimo step di quel lungo processo analitico che ha lo scopo di trasformare i dati provenienti dalle diverse origini di...

Cosa sono i Big Data e come vengono utilizzati?

I Big Data sono ormai entrati a far parte del mercato tecnologico globale, ma spesso questa definizione viene utilizzata senza aver chiaro di cosa si tratta o di quali sono le accortezze e le tecnologie necessarie per poterli sfruttare al meglio nel loro valore...

Chi è e quanto guadagna un Data Engineer?

Fino a qualche tempo fa occuparsi dell’analisi dati in azienda voleva dire fare BI, e non era difficile trovare figure che si occupassero di questo. Nell’ultimo decennio, invece, l’analisi dati si è evoluta in modo esponenziale, si inizia a parlare di Data Science,...

Dataiku e Data Exploration: chi è il miglior detective della serie “Scooby-doo”?

Dataiku e la data exploration, il primo passo per impostare i progetti nel modo più adatto è esplorare i dati e imparare a conoscerli.

Denodo e la data virtualization a supporto di Machine Learning e Data Science

Il Machine Learning e la Data science sono strettamente legate alla data virtualization. denodo è il tool ideale individuato da BNova