Pérdida de clientes

La pérdida de clientes , también conocida como rotación de clientes o deserción de clientes , es la pérdida de clientes.

Las empresas suelen utilizar el análisis de la deserción de clientes y las tasas de deserción de clientes como una de sus métricas comerciales clave (junto con el flujo de caja , el EBITDA , etc.) porque el costo de retener a un cliente existente es mucho menor que el costo de adquirir uno nuevo . ^{[ 1 ]} Algunos ejemplos incluyen bancos , compañías de servicios telefónicos, proveedores de servicios de internet , compañías de televisión de pago , compañías de seguros y servicios de monitoreo de alarmas. Las empresas de estos sectores suelen tener departamentos de atención al cliente que intentan recuperar a los clientes que se van, porque los clientes a largo plazo recuperados pueden valer mucho más para una empresa que los clientes recién captados.

Las empresas suelen distinguir entre la baja voluntaria y la baja involuntaria . La baja voluntaria se produce cuando el cliente decide cambiarse a otra empresa o proveedor de servicios, mientras que la baja involuntaria se debe a circunstancias como el traslado del cliente a una residencia de ancianos, su fallecimiento o el traslado a una localidad lejana. En la mayoría de las aplicaciones, las razones involuntarias de la baja se excluyen de los modelos analíticos. Los analistas tienden a centrarse en la baja voluntaria, ya que suele deberse a factores de la relación empresa-cliente que las empresas controlan, como la gestión de la facturación o la prestación del servicio posventa.

Cuando las empresas miden la rotación de clientes, suelen distinguir entre la pérdida bruta y la pérdida neta . La pérdida bruta es la pérdida de clientes existentes y sus ingresos recurrentes asociados por bienes o servicios contratados durante un período determinado. La pérdida neta es la pérdida bruta más la incorporación o captación de clientes similares en la ubicación original. Las instituciones financieras suelen realizar un seguimiento y medir la pérdida mediante un cálculo ponderado, denominado Ingresos Recurrentes Mensuales (o IRM ). En la década de 2000, también surgieron varios programas de software de inteligencia empresarial que pueden extraer información de bases de datos de clientes y analizar los factores asociados a la pérdida de clientes, como la insatisfacción con el servicio o el soporte técnico, las disputas de facturación o los desacuerdos sobre las políticas de la empresa. Los programas de análisis predictivo más sofisticados utilizan modelos de predicción de abandono que predicen la pérdida de clientes evaluando su propensión al riesgo de abandono. Dado que estos modelos generan una pequeña lista priorizada de posibles desertores, son eficaces para enfocar los programas de marketing de retención de clientes en el subconjunto de la base de clientes más vulnerable al abandono.

Los servicios financieros, como la banca y los seguros, utilizan aplicaciones de análisis predictivo para modelar la deserción de clientes, ya que la retención de clientes es una parte esencial de la mayoría de los modelos de negocio de los servicios financieros . Otros sectores también han descubierto el poder del análisis predictivo, incluidos el comercio minorista , las telecomunicaciones y los operadores de televisión de pago. Uno de los principales objetivos de modelar la deserción de clientes es determinar los factores causales, para que la empresa pueda intentar prevenir la pérdida de clientes en el futuro. Algunas empresas quieren evitar que sus buenos clientes se deterioren (por ejemplo, por retrasos en sus pagos) y se conviertan en clientes menos rentables, por lo que introdujeron el concepto de deserción parcial de clientes .

La pérdida de clientes merece especial atención por parte de los proveedores de servicios de telecomunicaciones móviles en todo el mundo. Esto se debe a las bajas barreras para cambiarse a un proveedor de servicios de la competencia, especialmente con la llegada de la portabilidad numérica móvil (MNP) en varios países. Esto permite a los clientes cambiarse a otro proveedor conservando sus números de teléfono. Mientras que los mercados maduros con alta teledensidad (penetración del mercado telefónico) tienen tasas de abandono que oscilan entre el 1 % y el 2 % mensual, los mercados emergentes de alto crecimiento, como India y China, experimentan tasas de abandono de entre el 3 % y el 4 % mensual. Mediante la implementación de nuevas tecnologías, como modelos de predicción de abandono, junto con programas de retención eficaces, se podría gestionar mejor la pérdida de clientes para frenar la importante pérdida de ingresos derivada de la fuga de clientes.

La pérdida de clientes es una preocupación importante para los bancos estadounidenses y canadienses, ya que presentan tasas de abandono mucho más elevadas que los bancos de Europa Occidental. Los bancos estadounidenses y canadienses con las tasas de abandono más bajas han logrado reducir la rotación de clientes hasta un 12 % anual mediante tácticas como cuentas corrientes gratuitas, banca y pago de facturas en línea, y una mejor atención al cliente. Sin embargo, una vez que los bancos logran reducir sus tasas de abandono mejorando la atención al cliente, pueden llegar a un punto en el que una mayor atención al cliente no mejorará la retención; por lo tanto, es necesario explorar otras tácticas o enfoques.

La tasa de abandono de clientes se utiliza a menudo como indicador de la satisfacción del cliente . Sin embargo, esta tasa puede mantenerse artificialmente baja dificultando que los clientes recuperen sus servicios. Esto puede incluir ignorar las solicitudes de recuperación, implementar procedimientos de recuperación largos y complicados para el consumidor promedio y otras barreras. De esta forma, la tasa de abandono puede aumentar mientras que la satisfacción del cliente disminuye. Esta práctica es miope y contraproducente. No obstante, se ha demostrado que es común en las compañías telefónicas y entre los proveedores de internet.

Los investigadores han estudiado la pérdida de clientes en empresas europeas de servicios financieros y han investigado los factores predictivos de la deserción y cómo el uso de enfoques de gestión de relaciones con el cliente (CRM) puede afectar las tasas de deserción. Varios estudios combinan diferentes tipos de predictores para desarrollar un modelo de deserción. Este modelo puede tener en cuenta características demográficas , cambios ambientales y otros factores. ^{[ 2 ]}

La investigación sobre el modelado de datos de abandono de clientes puede proporcionar a las empresas diversas herramientas para mejorar la retención de clientes. Mediante la minería de datos y el software, se pueden aplicar métodos estadísticos para desarrollar modelos causales de abandono no lineales. Un investigador señala que «...retener a los clientes existentes es más rentable que adquirir nuevos clientes, principalmente debido al ahorro en los costos de adquisición, el mayor volumen de consumo de servicios y las recomendaciones de los clientes». El argumento es que, para construir un «...programa eficaz de retención de clientes», los gerentes deben comprender «...por qué se van los clientes» e «...identificar a los clientes con alto riesgo de irse» mediante la predicción precisa del abandono de clientes. ^{[ 3 ]}

El modelado de la deserción de clientes tiene un doble objetivo. Primero, debe lograr un buen rendimiento predictivo, que a menudo se mide mediante el área bajo la curva ROC o el incremento del decil superior. Segundo, debe proporcionar información sobre los factores que impulsan la deserción para orientar las decisiones gerenciales. ^{[ 4 ]}

En el contexto empresarial , la "rotación de clientes" se refiere tanto a la migración de clientes como a la pérdida de valor que estos generan. Así, la "tasa de rotación" se refiere, por un lado, al porcentaje de clientes que finalizan su relación con la organización o, por otro lado, a los clientes que aún reciben sus servicios, pero con menor frecuencia o en menor cantidad que antes. Por lo tanto, las organizaciones actuales se enfrentan a un gran desafío: anticiparse al abandono de clientes para retenerlos a tiempo, reduciendo así costes y riesgos y ganando eficiencia y competitividad. Existen en el mercado herramientas y aplicaciones de análisis avanzado, diseñadas específicamente para analizar en profundidad la enorme cantidad de datos que manejan las organizaciones y realizar predicciones basadas en la información obtenida del análisis y la exploración de dichos datos. Su objetivo es poner a disposición de los departamentos y agencias de marketing —y de todos los usuarios empresariales— las herramientas necesarias para:

• Detectar rápidamente qué clientes están a punto de abandonar la empresa y conocerlos en profundidad, respondiendo a preguntas como: ¿Quiénes son? o ¿Cómo se comportan?
• Conocer el valor real de la posible pérdida de esos clientes, con el objetivo de establecer prioridades y distribuir los esfuerzos y recursos empresariales de manera eficiente, optimizando los recursos y maximizando el valor de la cartera de clientes actual.
• Implementar planes de retención personalizados para reducir o evitar su migración, aumentando la capacidad de reacción y anticipándose a posibles fugas imprevistas.

Existen organizaciones que han desarrollado estándares internacionales para el reconocimiento y el intercambio de las mejores prácticas globales en atención al cliente , con el fin de reducir la pérdida de clientes. El Instituto Internacional de Servicio al Cliente (ISMI) ha desarrollado el Estándar Internacional de Servicio al Cliente (ISS) para alinear estratégicamente a las organizaciones y que estas se centren en brindar un servicio al cliente de excelencia, al tiempo que se reconoce el éxito mediante un sistema de registro de terceros.

No toda pérdida de clientes es negativa. Para muchas empresas, es útil y deseable que los clientes no rentables se vayan. Esto se conoce como desinversión de clientes no rentables. ^{[ 5 ]} Sin embargo, el simple hecho de que un cliente no sea rentable no significa que deba ser descartado, ya que existen razones estratégicas para retener a los clientes no rentables.

• Tasa de abandono
• retención de clientes
• flujo de ingresos
• adecuación producto/mercado

1. ^ Cero defectos: La calidad llega al servicio. Reichheld y Sasser. Harvard Business Review. 1990.
2. ^ Van Den Poel; Lariviére (2004). "Análisis de la pérdida de clientes en servicios financieros mediante modelos de riesgos proporcionales". European Journal of Operational Research . 157 : 196–217 . CiteSeerX  10.1.1.62.8919 . doi : 10.1016/s0377-2217(03)00069-9 .
3. ^ Aplicación y evaluación de modelos para predecir la deserción de clientes mediante técnicas de minería de datos , Tom Au, et al. Journal of Comparative International Management. 1 de junio de 2003
4. ^ De Caigny, A.; Coussement, K.; De Bock W., K. (2018). "Un nuevo algoritmo de clasificación híbrido para la predicción de la deserción de clientes basado en regresión logística y árboles de decisión". European Journal of Operational Research . 269 (2): 760– 772. doi : 10.1016/j.ejor.2018.02.009 . ISSN 0377-2217 . 
5. ^ Ka‐shing Woo, Henry KY Fock, (2004) Retención y desinversión de clientes: un estudio exploratorio de clientes adecuados, clientes adecuados “en riesgo” y clientes inadecuados. Journal of Services Marketing, 18 , 187-197.

• Buckinx Wouter, Dirk Van den Poel (2005), " Análisis de la base de clientes: Deserción parcial de clientes leales en un entorno minorista de bienes de consumo de alta rotación sin contrato ", European Journal of Operational Research , 164 (1), 252–268.
• Burez Jonathan, Dirk Van den Poel (2006), " CRM en una empresa de televisión de pago: uso de modelos analíticos para reducir la pérdida de clientes mediante marketing dirigido para servicios de suscripción ," Expert Systems with Applications , 32 (2), 277–288.
• Prinzie Anita, Dirk Van den Poel (2005), “ Incorporación de información secuencial en modelos de clasificación tradicionales mediante el uso de un SAM sensible a elementos/posiciones ”, Decision Support Systems , 42 (2), 508–526.
• Pohl Stefan (2007), Zeitraumbezogene Stornomodellierung in der Kraftfahrtversicherung, Zeitschrift für Versicherungswesen (ZfV), 59 (11), 361–368.
• Uthaman Bakthikrishnan (2022), “ ¿Qué es la pérdida de clientes: fórmula, causas y cómo prevenirla? ”, ClearTouch, Resource .