La operadora móvil Amena ha puesto en marcha un importante proyecto de éxito destinado a retener y fidelizar sus clientes residenciales.

Ficha técnica

Empresa: Amena

Objetivos: definir los perfiles de clientes y predecir su propensión a la baja (scoring).

 Solución: crear un modelo de retención de clientes en la Unidad de Negocio Residencial.

 Resultado: adecuar las campañas de marketing y fidelización a cada uno de los perfiles de clientes.

Conocer el comportamiento de los clientes y prevenir el riesgo de abandono tiene sus beneficios. No sólo puede traducirse en términos de rendimiento económico e incremento de ingresos, sino también en concepto de mejora del gasto y optimización de los recursos disponibles. De hecho, para Amena suponía una oportunidad afrontar esta problemática con el objetivo de poner en marcha una política de carterización adecuada, ajustando sus activos de marketing en función del tipo de usuario al que se dirigen las campañas.

Como paso previo, la compañía necesitaba conocer en profundidad el perfil de los clientes residenciales que se habían dado de baja con anterioridad, de manera que se pudiera establecer un conjunto de reglas aplicables a cada uno de los grupos identificados, así como la propensión a la baja de las clases encontradas. El análisis, que se llevó a cabo a lo largo de 2004, se centró en los clientes residenciales de la compañía. De cara a determinar la probabilidad de fuga por segmentos, se comenzó por acotar el término “baja”. Así, se distinguieron tres categorías:

• Bajas voluntarias (originadas en el cliente y provocadas por la insatisfacción con el servicio, la existencia de mejores ofertas por parte de la competencia, u otros motivos ajenos a los dos anteriores)
• Bajas involuntarias (impagos o fraude).
• Bajas de portabilidad (contratos de clientes que habían solicitado el cambio a otro operador).

A continuación, se reunió la información necesaria para establecer un modelo de data mining, analizando a los clientes residenciales que se habían dado de baja y a otros que no lo habían hecho, y determinando, en uno y otro caso, sus características propias, de tal manera que fuera posible delimitar al máximo los distintos perfiles existentes para poder compararlos y establecer los parámetros que terminan explicando el comportamiento futuro del usuario. Los datos utilizados en esta parte del proceso respondían a diversas tipologías:

• Datos de los contratos: antigüedad, tipo y tarifas.
• Perfil de uso telefónico o patrón de uso: consumo total, clase de llamadas, días en que se utiliza el servicio, periodos del día en los que se realizan las llamadas, etc.
• Datos sociodemográficos: edad, sexo, área de actividad del cliente, etc.
• Vinculación con la empresa: número de servicios contratados y situación de cada uno de ellos.
• Otros datos: número y tipo de contactos e incidencias recogidos en el Centro de Atención al Cliente.

Con todo ello, se establecieron una serie de reglas con las que identificar perfiles generales, singularizando cada uno mediante datos tales como su tamaño o su índice de propensión a la baja. Después, se desarrolló un sistema de scoring, capaz de asignar a cada conjunto de clientes, de forma automática, un indicador de su probabilidad de abandono. De esta manera, es posible asignar a cada contrato o cliente, según el caso, un número que indica su propensión a la baja. Esto permite establecer un criterio para ordenar a los clientes con respecto a este indicador y realizar, posteriormente, acciones de fidelización más precisas. Por último, se llevaron a cabo estudios de churn centrados en el segmento residencial, objeto del proyecto.

Con toda esta metodología, se pudo establecer un orden de actuación por perfiles que permite realizar campañas personalizadas de fidelización (Marketing 1-to-1), más selectivas y eficientes, ajustadas además a las necesidades de cada grupo de usuarios.

El trabajo realizado ha permitido a la compañía hacer un uso inteligente y racional de sus recursos, desarrollando estrategias de fidelización diferenciadas para cada perfil de usuario, lo que ha terminado redundando en un ahorro de gastos y una notable mejora de la eficacia comercial. De esta manera, conocer en profundidad los motivos de abandono ha servidor para mejorar la retención de clientes, adecuando la oferta a sus necesidades específicas.