Customer Churn in pratica: come fidelizzare con l’AI

5 Settembre 2023 in Intelligent Customer Experience

Quali strumenti possono aiutare un’azienda a perseguire l’obiettivo di fidelizzare i propri clienti prevenendo l’abbandono? È possibile avere a disposizione uno strumento, come un’app, in grado di fornire un elenco dei clienti a rischio abbandono così da poterli raggiungere con campagne mirate per fidelizzarli? Un caso pratico legato al mondo Retail può essere ideale per capirlo.  

Facciamo un passo indietro. La filiera legno-arredo è in generale un settore particolarmente dinamico, come evidenzia l’ultimo report dell’Osservatorio eCommerce B2C: si riporta una crescita del 12,7%; nel 2022 con una spiccata propensione all’export, che rappresenta il 37% del fatturato. Parimenti, la digitalizzazione ha favorito l’espansione all’estero della vendita online, dove il settore arredamento rappresenta il 7% del totale delle esportazioni online di beni di consumo.  

Puntare alla Digital Transformation è, per un’azienda retail, anche un’opportunità per conoscere i propri clienti, i loro comportamenti e i loro bisogni, grazie alle “tracce” che gli utenti lasciano in rete. La raccolta e l’analisi di questi dati consente di migliorare la fidelizzazione, prevedendo in anticipo quali clienti siano a rischio abbandono per intervenire con proposte di retention.   

Nel caso in esame, la practice Intelligent Customer Experience di Advisory360 ha consentito all’azienda cliente di migliorare il tasso di abbandono, con un impatto sul fatturato e sul Customer Value, grazie all’impiego di strumenti avanzati basati sull’AI per la Customer Segmentation e la Churn Prediction. 

Customer Churn: quali strumenti utilizzare

La soluzione proposta da Advisory360 ha potuto contare su servizi mirati come:   

• il clustering, indispensabile per comprendere la base clienti e individuare al suo interno gruppi omogenei per comportamenti, interessi, gusti e desideri specifici; 
• il churn prediction, per prevedere clienti a rischio abbandono e suggerire così azioni mirate; 

• la feature selection, per identificare le variabili correlate a un elevato rischio di abbandono.  

Nel caso esaminato occorreva preliminarmente profilare i clienti del retailer in base al comportamento d’acquisto: ciò ha permesso di caratterizzare le macro-tipologie.  

Rispetto alle caratteristiche dei segmenti, si sono considerate alcune metriche, adottando il modello RFM (Recency, Frequency e Monetary Value). Gli algoritmi utilizzati per il clustering sono stati:  Kmeans, DBScan e Hierarchical Clustering.  

Per la predizione del churn si utilizzano invece modelli supervisionati di classificazione, come regressione logistica, Naive Bayes, decision trees, support vector machines, K-nearest-neighbours. 

Per la feature extraction, ovvero l’identificazione delle variabili che hanno il peso maggiore nel determinare la classificazione churn / no-churn, è stato utilizzato il modello PCA (Principal Component Analysis). 

Come prevedere e prevenire il Customer Churn

Il passo successivo è stato valutare i fattori che incidono direttamente sul Customer Churn attraverso un modello di previsione basato sull’Intelligenza Artificiale capace di adattarsi all’introduzione di nuovi dati. Per questo ci sono generalmente due strade.  

La prima consiste nel generare un modello per ogni periodo, con lo svantaggio di perdere informazioni passate di un certo valore. La seconda comporta l’aggiornamento del modello di partenza ad ogni periodo di allenamento, con il rischio però di non cogliere le nuove variazioni. 

Effettuando una simulazione, si è disegnato un modello ad hoc in grado di prevedere il churn con un’accuratezza dell’80%, che consente, nel caso in cui i clienti infedeli siano trattenuti nel 20% da uno sconto del 20% sul prezzo finale, di incrementare la spesa media del 5,5%, superando i 30 euro. 

Customer Churn, qual è il trade off migliore

Il caso dell’azienda retail evidenzia che un modello previsionale di customer churn che massimizzi recall e precision è efficace non solo nel trattenere il cliente ma anche nell’aumentare il suo valore nel tempo – impattando positivamente sul fatturato aziendale e futuro.  

Come abbiamo visto, non esistono soluzioni già pronte per prevedere il customer churn ma ci sono degli algoritmi e approcci a disposizione da selezionare (e adattare) con il supporto di consulenti esperti, sulla base della tipologia e delle esigenze del cliente. 

Nel caso in esame, Advisory360 ha usato una metodologia proprietaria che prevede:  

• la costruzione di un modello di predizione per determinare l’abbandono dei clienti, tramite algoritmi di classificazione; 

• la costruzione di elenchi clienti ad alto rischio di abbandono, con priorità determinata dal loro valore relativo per modulare le offerte di retention;
• l’impiego di dati ad hoc, ad esempio legati a transazioni frequenza d’uso e il numero prodotti per acquisto;
• una proposizione personalizzata che tenga conto delle abitudini di acquisto.