La churn analysis è un’analisi che misura il tasso di abbandono di un prodotto o servizio da parte dei clienti.
Un dato interessante per ogni azienda, utile a monitorare lo stato delle cose ma anche ad indirizzare le scelte strategiche e le azioni di intervento.
Sapere dove intervenire e su quali aspetti dedicare le risorse con l’obiettivo di ridurre il tasso di abbandono dei propri clienti permette di ottimizzare i risultati di business.
Ma quindi, come si fa una churn analysis? Da dove partire? Che strumenti utilizzare?
In questo articolo ti mostreremo, passo passo, come strutturare una churn analysis utilizzando Power Bi e Knime.
Cosa troverai in questo articolo:
- Che cos’è la churn analysis
- Perchè è utile la churn analysis
- Churn Analysis: passaggi preliminari
- Come costruire un modello di churn analysis predittivo con Power Bi e Knime
- Perchè integrare Power BI con Knime
Come sostiene Luciano Canova “Gli analytics sono essenziali per il business del futuro ma bisogna saperli interpretare ed usare con trasparenza e rispetto della privacy”.
Che cos’è la churn analysis
Il tasso di abbandono dei clienti, il cosiddetto churn rate, rappresenta un grattacapo non da poco per tutte le aziende. Il tasso di abbandono è un una metrica importante e utile, specie se il tuo modello di business è di tipo subscription.
In generale, capire qual è la percentuale di clienti che abbandona i tuoi prodotti o servizi, perché lo fa e cosa li spinge a farlo è il sogno di ogni azienda.
Anticipare le mosse, agire in modo puntuale e mirato, migliorare l’esperienza utente ed, infine, ottimizzare la gestione dei clienti assicura migliori performance.
Ma è possibile capire tutto questo? La risposta è sì e si chiama churn analysis.
L’analisi sul tasso di abbandono è un’analisi di business intelligence e analitiche avanzate che permette di monitorare e prevedere la percentuale di clienti che, a livello di probabilità, potrebbero abbandonare la tua azienda. Riesce ad avere un livello di dettaglio estremamente micro, infatti l’obiettivo di questi modelli predittivi di churn rate è determinare qual è la probabilità di abbandono per ogni singolo profilo, date certe caratteristiche e certe azioni.
La Churn Analysis agisce in via preventiva, offrendo la possibilità di progettare strategie di retention. Grazie all’utilizzo degli algoritmi di Machine Learning e delle soluzioni Data Intelligence, la Churn Analysis è un tipo di analisi predittiva ed avanzata.
Per operare al meglio, le analisi predittive utilizzano dati storici per effettuare previsioni sugli eventi futuri. Saranno gli eventi passati, legati all’abbandono dei vecchi clienti, a creare dei modelli predittivi realistici e precisi.
I modelli di machine learning sono particolarmente efficaci in situazioni in cui è necessario scoprire insight da set di dati ampi, diversificati e in rapida evoluzione.
Perchè è utile la churn analysis
Acquisire un cliente è un grande sforzo per ogni azienda: sono necessari investimenti importanti, lavoro cross area (solo per dirne alcuni sales, marketing e servizio clienti), analisi di profilazione, clusterizzazione e targetizzazione esatta della comunicazione.
L’obiettivo è accompagnare il cliente lungo tutto il funnel di vendita fino a realizzare una conversione. Tuttavia, la conversione dei clienti non è scienza esatta e ben 1 trattativa su 2 non si conclude in modo sperato.
Quando questo succede, l’azienda ed i team che si sono occupati di questo perdono tempo, denaro e investimenti.
Realizzare uno studio e un’analisi su churn rate e fidelizzazione può portare ai tuoi team un vantaggio concreto: riuscire ad abbassare di qualche punto il tasso di abbandono è una grande vittoria e un enorme vantaggio economico per l’azienda.
Dato che acquisire un nuovo cliente è più faticoso e costoso che mantenere uno vecchio – anche fino a 5 volte più faticoso – realizzare un’analisi di questo tipo permette di:
- migliorare la conoscenza del cliente e dei suoi trigger
- intervenire con strategia e oculate policy di retention
- rendere meno costoso acquisire nuovi clienti.
Gli output di un’analisi predittiva sul tasso e sulla probabilità di abbandono dei clienti permetterà alla tua azienda di avere numerosi output su cui lavorare e su cui implementare decisioni strategiche e gestionali.
Ecco alcuni degli output che la Churn Analysis può darti, importanti strumenti di pianificazione:
- report di contesto
- trend sulle defezioni
- probabilità di abbandono su diversi segmenti di clienti
- fattori che incidono sull’abbandono
- scoring probabilistici
- indicatori di qualità
Secondo Digital 360, un’analisi di CSO Insights sulle prestazioni di vendita mostra che, in media, l’accuratezza di una previsione di vendita è del 45,8%
Churn Analysis: passaggi preliminari
Come impostare una Churn Analysis?
Prendiamo un esempio come quello della direzione di un’azienda manifatturiera che, a seguito di numerose defezioni verso la concorrenza, chiede al suo team BI di svolgere un’analisi sull’anzianità e l’attività recente dei clienti.
La direzione chiederà anche agli analisti impiegati nel progetto di focalizzarsi in particolar modo sul tasso di abbandono dei clienti e su come questo sia collegato all’inattività dei clienti stessi.
Come secondo step, molto importante, l’azienda richiede che i risultati della Churn Analysis sulla propria base clienti siano presentati alla direzione in forma grafica tramite un report consultabile in qualsiasi momento.
Il team BI dell’azienda manifatturiera, a questo punto, decide gli strumenti da utilizzare: KNIME e Power BI, collegati attraverso un’integrazione nativa.
Perché questi strumenti?
KNIME viene scelto per la parte di integrazione e pre-processing del dato e calcolo del modello predittivo di Churn mentre, Power BI, per la parte di reporting e data visualization.
Questa soluzione si rivela la più utile perché il team deve rispondere a due bisogni: quelli di Data Processing ma anche quelli di Data Visualization.
Come primo passaggio dell’analisi, il team deve costruire un workflow KNIME che contiene l’integrazione tra le diverse fonti dato. Infatti, l’anagrafica dei clienti è contenuta in un RDBMS, mentre i dati di vendita storicizzati sono su fogli excel, suddivisi per anno.
Successivamente, le risorse si occuperanno del Pre Processing del dato per andare a costruire misure e KPI necessari all’analisi come: anzianità dei clienti e la loro inattività.
Come costruire un modello di churn analysis predittivo con Power Bi e Knime
Svolte queste analisi preliminari, gli analisti possono quindi procedere alla costruzione del modello predittivo del tasso di abbandono per l’azienda manifatturiera.
Individuando le variabili interessanti per trovare le risposte richieste del business, il team utilizza l’algoritmo di Machine Learning già disponibile in KNIME.
Una volta ottenuti i dati necessari su KNIME, il modello li può li invierà direttamente a Power BI attraverso il nodo “Send to Power BI” dove il team imposterà il report di visualizzazione dei risultati richiesto dalla direzione aziendale.
Su Power BI gli analisti potranno impostare tutte le dashboard utili per navigare le informazioni e rispondere alla domanda del business con una schermata dedicata alla Churn Analysis.
Perchè integrare Power BI con Knime
Quando il nostro team di BI specialist ha realizzato questo case study, basato sulle loro necessità ma anche sui bisogni dei clienti, ha pensato di creare una guida per permettere anche a te di provare questa integrazione.
L’integrazione è abbastanza semplice, Knime stesso fornisce l’estensione: “KNIME Power BI Integration” scaricabile gratuitamente. Questa estensione, poi, consente di far comunicare Knime e ower BI.
