Reduzir o churn - com conclusões de uma análise de churn

Reconhece esta situação? Se a sua organização oferece serviços por subscrição, reduzir o churn está provavelmente na agenda. Não é o tema mais popular, porque preferimos olhar para o que está a correr bem. Mas qual é a melhor forma de analisar o churn? Por onde começar? Neste artigo, explicamos como pode usar dados para analisar o churn, na esperança de o reduzir. 

O que é o churn? E porque é tão importante reduzi-lo?

O churn é o número de clientes que deixam de utilizar os serviços ou produtos da sua empresa. Indica até que ponto uma empresa consegue reter os seus clientes. O churn tem um impacto negativo direto nas receitas e na rentabilidade da sua organização. Perder clientes existentes significa uma redução imediata das receitas recorrentes, e conquistar novos clientes é muitas vezes mais caro do que reter os atuais. 

E quanto à sua vantagem competitiva? Reter clientes torna as receitas mais previsíveis, o que proporciona estabilidade. Permite à sua empresa concentrar-se no crescimento, em vez de substituir os clientes perdidos. Assim, pode antecipar-se à concorrência. Além disso, o que há de melhor do que um produto sólido e clientes satisfeitos?

1. Recolher e organizar dados dos subscritores ao longo de um determinado período

Na nossa análise, centrámo-nos na utilização online que os subscritores fazem de dois sites de notícias e das respetivas aplicações.

O nosso objetivo parece simples: melhorar a retenção de subscritores. Queremos compreender por que razão alguns subscritores cancelam a subscrição e identificar os fatores que contribuem para isso. Ao compreender estes padrões, podemos desenvolver estratégias específicas para melhorar a retenção de subscritores.

Para a nossa análise de churn, começámos por organizar uma grande quantidade de dados de subscritores recolhidos anteriormente. Estes dados estavam distribuídos por várias tabelas, pelo que a primeira tarefa foi examiná-las cuidadosamente e reunir a informação relevante. Selecionámos os fatores mais importantes com base no conhecimento do domínio e com o apoio de uma revisão da literatura (Belchior, L. M., António, N., & Fernandes, E. (2024).

Para combinar os dados, utilizámos dbt (Data Build Tool) em conjunto com Snowflake. Snowflake funciona como repositório central de todas as nossas tabelas, enquanto dbt nos permite transformar estes dados de forma eficiente e estruturada. Com dbt, podemos criar modelos que selecionam as colunas mais importantes, efetuam cálculos e, por fim, criam um conjunto de dados combinado. Assim, conseguimos processar os dados de forma consistente e repetível, criando uma base sólida para análises posteriores.

Após consultarmos especialistas da área, optámos por um período de análise de um ano. Este período permite ter uma boa visão geral do comportamento dos assinantes. Uma desvantagem desta escolha é que os fatores sazonais não foram considerados na análise, o que pode afetar a interpretação dos resultados, sobretudo se os padrões de churn variarem muito entre estações.

Devido à grande dimensão do nosso conjunto de dados, é essencial dividir as transformações em períodos curtos. Neste caso, optámos por acrescentar dados mensalmente ao nosso conjunto de dados, embora a frequência adequada dependa muito do número de clientes com que trabalha. Para esta tarefa, utilizámos a ferramenta Conveyor.

2. Definir o churn

Um passo importante na análise do churn é estabelecer uma definição precisa. A definição utilizada pode ter um impacto considerável na análise, pelo que convém ajustá-la ao objetivo dessa análise. Como nos interessa compreender o comportamento por detrás do churn, optámos por regras bastante rigorosas. Por exemplo, não classificámos como churners os assinantes que regressaram no prazo de dois meses. Desta forma, evitamos introduzir ruído no conjunto de dados, uma vez que muitos assinantes cancelam temporariamente a assinatura para obter um desconto adicional. Se o interesse estiver mais centrado na receita ou na perda mensal de assinantes, poderá fazer sentido incluí-los na análise.

3. Análise e interpretação dos dados

Depois de reunirmos e organizarmos os dados, identificámos as principais variáveis que podem influenciar a perda de subscritores (churn). Em seguida, analisámos essas variáveis para descobrir padrões que indicam um risco acrescido de churn. Durante esta análise, tornou-se claro que agrupar os subscritores em segmentos era essencial para refinar a informação obtida.

Optámos por basear a segmentação em três critérios principais: o tipo de subscrição, a duração da relação com a organização e a atividade do subscritor. Estes segmentos permitiram-nos perceber que fatores tinham um papel significativo no risco de churn em cada grupo. 

Ao segmentarmos os dados desta forma, conseguimos identificar melhor os padrões e comportamentos específicos de cada grupo de subscritores.

Conclusão

Analisar e combater o churn permite obter as seguintes informações úteis:

• Uma análise de churn mostra por que razão os clientes saem, ajudando a melhorar o produto.
• Identificar os fatores de risco de churn permite criar estratégias proativas de retenção.
• Reduzir o churn exige que continue a acrescentar valor para os seus clientes.
• Ao combater ativamente o churn, a sua empresa de subscrições pode manter a sua base de clientes, crescer e melhorar os seus serviços. Isto resulta numa posição mais forte no mercado e num sucesso sustentável a longo prazo.

Além do churn, quer também perceber o valor dos seus clientes e segmentos? Saiba como o fazemos através da análise de clientes com dados.