Prever o churn com um modelo por cliente

O churn é o número de clientes que deixam de utilizar o seu produto ou serviço. Prever o churn significa usar um modelo para calcular, para cada cliente, a probabilidade de cancelar num período futuro. Assim, pode identificar quem poderá cancelar antes de essa perda de clientes aparecer nos seus números. É uma das aplicações de IA que desenvolvemos.

Se quiser primeiro perceber quanto valem os seus clientes e que grupos existem, leia sobre análise de clientes com dados.

Depende do objetivo. Na nossa análise para a DPG Media, queríamos compreender o comportamento por detrás do churn. Por isso, as regras eram bastante rígidas: os subscritores que regressavam pouco tempo depois não contavam como clientes perdidos, porque muitos cancelam temporariamente para obter um desconto adicional. Se o objetivo for medir a receita ou a perda mensal de clientes, deve incluí-los.

Defina também se um pagamento falhado conta como cancelamento. É um problema diferente de um cliente que decide sair. Leia o artigo sobre como reduzir o churn.

A janela é o período durante o qual se preveem cancelamentos, contado a partir de um momento de referência fixo. O modelo só pode usar dados anteriores a esse momento. Se os dados de entrada incluírem um e-mail de cancelamento ou uma chamada para a linha de cancelamentos, o modelo pode parecer eficaz, mas não está a prever nada que ainda não fosse conhecido.

Escolha a janela em função da ação: uma chamada de retenção exige mais tempo de preparação do que um e-mail com uma oferta.

Frequentemente, a utilização e as alterações na utilização, a duração da relação com o cliente, o tipo de subscrição, os contactos com o apoio ao cliente e os pagamentos. Para a DPG Media, selecionámos os fatores com base no conhecimento do domínio e numa revisão da literatura, e segmentámos os clientes por tipo de subscrição, duração da relação e atividade.

Verificámos que fatores diferentes influenciavam o risco de churn em cada segmento. Um modelo que ignore essas diferenças perde sinais.

Para cada cliente, mostramos que características mais fazem subir ou descer a pontuação, por exemplo com valores SHAP: um método que calcula o contributo de cada característica para uma previsão individual. Assim, quem trabalha na retenção vê que a utilização da app diminuiu, em vez de ver apenas uma pontuação elevada.

Tenha em atenção que uma característica associada ao cancelamento não é necessariamente a sua causa. É preciso testar separadamente se agir sobre ela resulta.

Com um grupo de controlo: uma parte dos clientes com pontuação elevada, escolhida aleatoriamente, não recebe a ação. A diferença nos cancelamentos entre os dois grupos é o efeito da ação, não do modelo.

Nem todos os clientes com elevada probabilidade de cancelar podem ser convencidos a ficar; alguns cancelarão de qualquer forma, enquanto outros já iriam ficar. A modelação de uplift permite prever em que clientes a ação faz a diferença. Para isso, são necessárias primeiro algumas rondas com grupos de controlo.

Comparando continuamente as pontuações com os resultados. Uma alteração de preços, um novo produto ou uma forma diferente de cancelar mudam o comportamento em que o modelo foi treinado. Nesse caso, volta a treinar o modelo e testa-o primeiro com cancelamentos recentes.

Na DPG Media, adicionávamos os dados mensalmente, utilizando dbt e Snowflake para transformações repetíveis. Pode ler como monitorizamos modelos em produção na página de MLOps.

Se tiver poucos clientes que conhece pessoalmente, se os cancelamentos não forem registados com data ou se ninguém puder agir com base numa pontuação. Nesses casos, uma análise pontual de churn ou um dashboard oferece mais informação com menos trabalho.

Um modelo só compensa se houver cancelamentos suficientes para aprender com eles e uma equipa que trabalhe com a lista todas as semanas. Consulte também o caso de estudo da DPG Media.