Secondo un report McKinsey, le Telco possono ridurre il customer churn con un approccio basato sulla data analytics. Inoltre, da un report di Accenture emerge che il 48% dei consumatori ha abbandonato i servizi di un’azienda a causa di una esperienza povera. Il churn rate rappresenta il tasso di abbandono da parte degli utenti.
Se il tasso di abbandono è elevato significa che i clienti cessano di fare business (eCommerce, accedere a un servizio eccetera) con un’azienda. Dunque un’impresa (o un servizio) con alto churn rate perde clienti (o utenti) e deve invertire la rotta per tornare a crescere.
Si tratta di un indicatore critico per misurare la salute di un business e aiuta a fare il benchmark della customer satisfaction (il grado di soddisfazione dei clienti). Se il churn rate è più alto della media delle aziende o delle industrie è possibile che esista un problema relativo a prezzi, servizio, qualità del prodotto, delivery od altri aspetti della customer experience.
Come si calcola il churn rate
Per calcolare il tasso di abbandono esiste una semplice formula: si divide il numero dei clienti persi nel corso di un intervallo di tempo (trimestre, anno…) per il numero dei clienti totali dal principio del periodo esaminato.
Viene considerato accettabile un churn rate annuale che si posizioni nella fascia compresa fra il 5% e il 7%. Un’azienda che calcoli un churn rate superiore al 7%, deve indagare sui motivi di abbandono dei clienti. Spesso le motivazioni sono molteplici.
Tuttavia le ragioni di fuga sono da attribuire a scarso engagement, a un product fit non consono (ovvero un prodotto che non ha possibilità di soddisfare quel mercato); o ancora a un prodotto difettoso o a una user experience povera, che non soddisfa i clienti; o ancora all’assenza del supporto clienti.
Cosa incide sul churn rate
I fattori che hanno un impatto sul tasso di abbandono sono dunque molteplici:
- customer experience (velocità e qualità del servizio eccetera);
- fluidità dell’esperienza (senza falle e rallentamenti che generano frustrazione nell’utente finale);
- ricchezza di offerte (anche soluzioni tailor-made) e dettagli (grazie al lavoro con più vendor, partner e clienti);
- supporto clienti (assistenza) pronto a risolvere subito eventuali problemi per evitare che il cliente abbandoni il business e decida di effettuare lo switch verso la concorrenza;
- fallita fidelizzazione (anche attraverso campagne marketing mirate).
L’esempio dell’editoria
Nel mondo dei media, un recente studio dell’Osservatorio del Politecnico di Milano afferma che i media e le testate giornalistiche nel 2021 devono “minimizzare il churn rate” a vantaggio di “una maggiore loyalty“, focalizzando l’attenzione sui “contenuti originali d’approfondimento, supportati da formati innovativi (podcast e video), e sulla customer experience“.
Il churn rate in banca
Altro esempio è nel mondo delle banche: l’Osservatorio su FinTech e Insurtech del Politecnico di Milano ha notato che nell’emergenza pandemica non è aumentato il churn rate, ma si è verificato il fenomeno della hidden defection, il progressivo calo della frequenza di acquisto dalla propria banca di riferimento. Dunque, il churn rate stabile dimostra che è crollata la fiducia dei consumatori nelle istituzioni tradizionali, tuttavia nei lockdown è emersa l’esigenza di rivolgersi ad app alternative in ambito Fintech, una galassia di player digitali pronta a intercettare nuovi bisogni di user experience di qualità, rapidità di risposta, trasparenza e sostenibilità.
Ma lo stesso Osservatorio ha spiegato che l’incremento del churn rate potrebbe accelerare nel futuro, all’aumentare delle aspettative dei clienti e al ridursi delle barriere all’uscita. Oggi, infatti, è complesso e costoso chiudere un conto corrente e cambiare banca da parte del cliente (dunque il churn rate non subisce un significativo incremento). Invece è più facile rivolgersi nel contempo ad altre per ottenere app servizio di qualità e su misura eccetera (un acquisto su quattro è avvenuto in una banca competitor rispetto a quella principale).
Questi due esempi, in due differenti settori (quello dei media e quello bancario), mostrano quanto sia rilevante calcolare il churn rate, ma che non sia sufficiente: se le banche si adagiassero sugli allori perché il churn rate è apparentemente stabile, non capirebbero che i clienti stanno guardando altrove, in cerca di canali digitali sempre più tailor-made, ma senza rinunciare allo human touch, da mantenere attraverso consulenza e assistenza di qualità.
Per esempio, il 29% di coloro che hanno lasciato la propria banca aveva ricevuto un’offerta da un concorrente e il 78% di essi ha affermato che avrebbe accettato un’offerta dalla propria banca se fosse stata analogamente convincente. L’Osservatorio spiega che ciò significa che la banca deve migliorare i propri piani marketing, al fine di evitare che i clienti prendano in esame altre offerte.
Come gestire il churn rate
Per gestire e ridurre il tasso di abbandono bisogna affidarsi ai migliori clienti e definire una roadmap per i nuovi. Inoltre è necessario adottare un approccio predittivo – basato su dati, algoritmi statistici e tecniche di machine learning per fare previsioni basate sui dati storici – anche nella comunicazione, offrire incentivi e promozioni, chiedere spesso un feedback.
Occorre anche analizzare il churn rate il più possibile, per rimanere competitivi, anche offrendo un servizio clienti eccellente.
Infine occorre creare una comunità intorno ai clienti e dotarsi di un Customer Success Manager (Csm). Si tratta della figura professionale a cui un’impresa delega la creazione e la gestione del rapporto col cliente, con focus per i clienti di maggior valore.
Tutto ruota, infatti, intorno ai concetti di grado di customer satisfaction, loyalty e customer experience.
Il ruolo del Customer Success Manager
Il modo migliore per interagire coi propri clienti, è nominare un Customer Success Manager. Questa figura punta a creare fiducia e a capire le esigenze reali dei clienti. Ma sa anche precorrere i desideri anticipando perfino quelli futuri.
Questa figura, che guida il cliente dal processo di acquisto fino alla fase di assistenza, è dunque capace di aumentare la fidelizzazione del cliente e ridurre la percentuale d’abbandono per l’azienda. Inoltre può aumentare la probabilità d’incrementare le vendite e offrire al cliente di “orientare” lo sviluppo del servizio/prodotto.
Infine, il Csm aiuta i clienti a crescere e a conseguire gli obiettivi, rafforzando simultaneamente il loro rapporto con l’azienda.
Come si riduce il customer churn
Usando gli strumenti di Big Data analytics, è possibile raccogliere i dati sui clienti e trasformarli in actionable insights.
Grazie agli insights, possiamo focalizzare l’attenzione sui clienti e loro reali necessità. Si può capire come gli utenti consumer stanno usando un prodotto e come prendono decisioni di conseguenza.
I Big Data Analytics aiutano a scoprire come varia l’engagement dei clienti con i servizi. Inoltre, l’ascolto del cliente promuove sempre la sua fidelizzazione.
Per ridurre il tasso di abbandono, bisogna offrire:
- un servizio clienti di alto livello;
- proposta di offerte attraenti;
- personalizzare le offerte con proposte su misura;
- premiare la fidelizzazioni con offerte mirate, sconti eccetera;
- prevedere i comportamenti futuri con strumenti di AI e machine learning.
Quali sono gli obiettivi della churn analysis
La churn analysis serve ad analizzare il tasso di abbandono. Dunque è il metodo per misurare il tasso di abbandono.
Ad alto livello la churn analysis dice quale percentuale di clienti non ritorna rispetto a chi continua a fare business. Ma approfondendo questi dati, la churn analysis permette di identificare le tendenze che prevengono fallimenti o portano un prodotto o servizio di successo a scalare di livello, per portarlo a un livello superiore.
I metodi per misurare il customer churn includono il calcolo del KPI su vari time frame e trend dei risultati. Ma è anche possibile misurare i risultati finanziari dei clienti che abbandonano e fare il benchmark di questi numeri versus le key performance indicators (KPI) critiche per la profittabilità del business.
Per tracciare i risultati dei clienti è possibile abbinare l’analisi a un ERP, per analizzare il churn rate regolarmente. In ogni caso, bisogna avere accesso ai dati sui clienti attuali e passati è possibile costruire churn models per capire lo scenario.
Oltre agli ERP per un’analisi in background su base quotidiana, è possibile approfondire la metrica del customer churn su base mensile o trimestrale. Le aziende possono approntare piani finanziari e analisi professionali per realizzare churn analysis ad hoc.
Perché è importante l’analisi dei big data
L’analisi dei big data serve a ridurre il churn rate perché la data analytics permette di eseguire modelli predittivi, ottenere insights grazie a un approccio data driven e consente di impostare una segmentazione dei clienti.
Per esempio LTV Analytics stima quanto valore un cliente può portare a un’azienda. Elenca le priorità di chi ha bisogno di essere target di una campagna marketing, per esempio, indica chi può lasciare l’azienda, o chi ha necessità di essere trattenuto con un’attenzione speciale. L’ analytics della gestione di una campagna A/B, invece, osserva le vendite pre- e post-campagna e le risposte dei clienti.
Tutte le tecniche che permettono di raccogliere insights permettono alle aziende di adottare un approccio data driven. I data analytics consentono infatti di identificare su quali clienti focalizzarsi, quanti di loro cerchino offerte personalizzate, di quali dimensioni debba essere il budget dell’advertising.
Modelli predittivi
Machine learning e algoritmi basati sull’intelligenza artificiale (AI) sfruttano statistica, matematica e individuano relazioni e pattern fra variabili.
Sono soluzioni che possono trovare applicazione per mettere a punto modelli predittivi, dando un vero significato a churn rate e retention.
Per creare sofisticate strategie di Customer churn prediction, le aziende possono usare la predictive analytics.
Confrontando i dataset è possibile determinare cosa piaccia o meno ai clienti, il metodo più veloce per ridurre il churn rate. Ma l’AI consente di creare nuove forme di valore e di delineare il rapporto fra prodotti e persone, ripensando, alla luce dell’innovazione, le problematiche e le tematiche che hanno fatto progredire la conoscenza in passato.
Inoltre, gli insights disponibili permettono di mettere a punto nuovi processi decisionali. Infatti gli Analytics aggiungono conoscenza e orientano verso nuove forme d’uso e di gestione dei prodotti, per esempio con tutti i modelli predittivi.
A volte, nel corso della creazione di modelli predittivi, non è facile gestire e analizzare tutte le variabili simultaneamente. Per realizzare modelli predittivi del customer churn, la migliore soluzione consiste nell’affidarsi agli algoritmi di machine learning. Essi possono svelare accuratamente e velocemente le ragioni per cui i clienti stanno abbandonando un servizio o un prodotto.
I data-driven insights
Attraverso soluzioni di analytics, anche mediante sentiment analysis, è possibile determinare data-driven insights.
Machine learning e algoritmi di intelligenza artificiale consentono di automatizzare l’analisi dei feedback. Per semplificare le procedure si può ricorrere a Natural language processing e al machine learning, per accelerare la raccolta di insights dai dati dei clienti.
L’advanced analytics può abilitare predictive analytics AI-driven sfruttando modelli di comportamento predittivo, una tecnica matematica utile per prevedere il churn rate con accuratezza in un micro-segmento specifico.
Anche la Customer retention analysis può indicare quanto a lungo rimarranno i clienti.
Inoltre, le raccomandazioni Next Best Offer (NBO) anticipano i bisogni dei clienti, proponendo offerte personalizzate. Guidare i clienti verso le offerte nel momento e al prezzo giusto, usando i canali più adatti per ogni cliente, riduce il tasso di abbandono.
Infine, grazie agli algoritmi di Natural Language Processing basati sul machine learning, è possibile applicare un’ analisi del sentiment. Serve ad analizzare le comunicazioni provenienti dai vari canali digitali: commenti sui social media, recensioni, email e chat.
L’analisi del sentiment permette di identificare emozioni positive, negative, o neutrali su prodotti e servizi, in modo da migliorare il customer churn, offrendo insights sulle necessità dei clienti eccetera.
Big Data analytics
Ma sono gli strumenti di Big Data analytics a consentire una vera segmentazione dei clienti, mostrando come ogni segmento (e micro-segmento) interagisce coi prodotti o i servizi.
La maniera più semplice di avviare una segmentazione consiste nell’analizzare i dati sul lifestyle dei clienti, la demographic, l’acquisto di prodotti (o servizi), il valore e la frequenza d’acquisto.
Questa analisi, usando le variabili corrette, divide i clienti in gruppi con interessi e comportamenti simili.
Dopo aver eseguito la customer segmentation, le aziende possono scegliere i gruppi che trainano i maggiori ricavi. Poi, gli esperti del settore creano una strategia di marketing sui loro bisogni. Comunicazioni personalizzare, offerte speciali o sconti contribuiscono a migliorare le churn prediction e trattenere i clienti di maggior valore.
