Lograr la lealtad de los clientes es uno de los desafíos claves de todo negocio. Retener un cliente es más económico y rentable que conseguir uno nuevo. De hecho cuesta entre 5 a 10 veces más captar un cliente nuevo que retener uno actual. Es por eso que en muchos de nuestros clientes, este es uno de los primeros desafíos que ayudamos a responder y definir una estrategia de datos que nos muestre con claridad qué debemos hacer.
Comenzamos realizando un análisis RFM, recencia, frecuencia y monto de compra. La recencia se refiere a la cantidad de días desde que el cliente realizó la última compra, frecuencia a la cantidad de veces que ha comprado y el monto de compra es la compra total realizada en el periodo analizado. En resumen es un análisis numérico del comportamiento de compra de cada cliente.
Con la recencia podemos medir la sensibilidad del cliente a eventuales ofertas o promociones. La frecuencia la podemos asociar a un cliente interesado y satisfecho. Y el monto de compra nos permite hacer una separación en aquellos clientes que son fuertes compradores de los que no.
En los gráficos se observan los distintos RFM Score que se obtienen con la segmentación, con sus distintos KPI y la cantidad de clientes que integran cada grupo.
Con este análisis RFM podemos ir respondiendo diversas preguntas de negocio y encontrando una segmentación que nos permita optimizar las actividades de marketing, priorizar el presupuesto, determinar el tamaño de cada segmento, relevante para la toma de decisiones y definición de la estrategia.
Con estos segmentos creados, posteriormente predecimos con algoritmo K-means y el método Elbow y determinamos el número óptimo de segmentos relevantes y bien distinguibles que nos permitan responder la mayor cantidad de preguntas de negocios y tomar decisiones de marketing específicas según lo que necesite cada segmento.
En el gráfico se puede observar que en este caso se lograron 4 grupos claramente identificables.
Posteriormente podemos ver en cada grupo cuál variable es la de mayor importancia, la que influye en mayor medida al segmento, lo que puede guiar las actividades de marketing de forma diferenciada.
Una vez realizada esta segmentación RFM, podemos calcular el Customer Lifetime Value de cada cliente. Es una métrica extremadamente útil, ya que a partir de ella podemos decidir el costo máximo que podemos gastar para captar un cliente y podemos predecir si será más rentable obtener nuevos clientes o aumentar los ingresos con los clientes actuales.
Sin embargo, también nos ha dado muy buenos resultados calcular la predicción de compra a 90 días de cada uno de los clientes. Para eso creamos un modelo predictivo específico para el cliente, donde con machine learning predecimos qué clientes comprarán en los próximos 90 días, además de la probabilidad de compra y el monto que comprarán.
También determinamos qué variable, recencia, frecuencia o monto de compra es más relevante para el modelo predictivo.
El objetivo es poder responder diversas preguntas de negocio como:
- ¿Qué clientes tienen la probabilidad de compra más alta en los próximos 90 días?
Sin duda, el equipo de ventas no puede dejar de llamar a estos clientes.
2. ¿Qué clientes compraron hace poco (recencia menor a 90 días) y tienen una probabilidad de compra baja?
Estos son clientes que compraron hace poco y que estamos prediciendo que tienen una baja probabilidad de compra. Por lo tanto, debemos realizar alguna acción de marketing que impida que esto pase.
3. ¿Qué clientes se predijo que comprarían y no compraron?
Estos corresponden a oportunidades de ventas perdidas. Teníamos una alta predicción de monto de compra y no compraron nada.
Con este tipo de análisis logramos orientar a los ejecutivos de ventas, respecto a prioridades de seguimientos, como también asignar presupuestos diferenciados de acuerdo a la predicción de compra. Tenemos certezas, respecto a cuáles son los clientes más fieles y que debemos poner especial cuidado de no perderlos. Realizamos una asignación más efectiva de los gastos de marketing, identificamos y aumentamos la preocupación por los clientes más valiosos, redujimos la exposición a pérdidas y aumentamos cross y up selling.
En resumen, nos permite interactuar con cada cliente desde un approach más eficiente y así tomar las mejores acciones y decisiones para el negocio. Con estos modelos predictivos comprendemos cuáles son los clientes que vale más la pena enfocarse y por ende destinar esfuerzos y recursos de marketing.
Si te interesa realizar un análisis de comportamiento de compra de tus clientes con machine learning, no dudes en escribirnos a contacto@datainsights.cl.