ipam data mining churn nas telcos
DESCRIPTION
Trabalho realizado na cadeira de Data Mining da 2ª Edição da Pós-Graduação de Marketing Digital do IPAM referente ao Churn no Sector das Telecomunicações (Abril 2011)Este trabalho foi realizado por:- Nuno Silva Pereira (eu :) )- Carina Sequeira- Carlos Pereira- Gisela Pires- Liliana SantosTRANSCRIPT
Como reduzir esta tendência?
Churn nas Telco’s
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
GRUPO MINEIROS
Ana Carina Fernandes Sequeira
Carlos Alberto Afonso Pereira
Gisela Sofia Neves Pires
Liliana Sofia Antunes dos Santos
Nuno Alexandre Silva Pereira
Índice
• Introdução
• Enquadramento
• Identificação do “Churn”
• Análise SWOT
• Identificação da informação a recolher
• Proposta de resolução do problema
• Resultados
• Conclusão
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Introdução
A gestão do conhecimento abrange todo o potencial de gerar, armazenar, distribuir e
utilizar o mesmo, sendo fundamental o uso de tecnologias de informação para facilitar
este tipo de procedimentos, por consequência do grande aumento no volume de dados
produzidos.
O Data Mining é uma ferramenta que visa a identificação de padrões, relacionamentos
ou modelos implícitos nos dados armazenado, ou seja, trata-se de uma extração não-
trivial de padrões válidos, previamente desconhecidos, potencialmente úteis e,
compreensível de uma grande quantidade de dados para uso na tomada de decisões.
É com base no Data Mining que pretendemos reflectir e elaborar soluções/conclusões,
que servirão de base para melhores tomadas de decisão de como evitar o churn na
indústria das Telecomunicações.
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Enquadramento
Um sistema de telecomunicações produz diariamente uma grande quantidade de
informação valiosa sobre os hábitos dos consumidores. Uma rede neste sector
pode ser vista como uma série de componentes interligados: interruptores,
intercâmbios, equipamentos de transmissão, etc.
Simultaneamente, os operadores procuram constantemente disponibilizar novos
serviços e ofertas para se diferenciarem, na esperança de aumentar a receita
gerada pelo cliente (ARPU – Average Revenue Per User) e o tempo de fidelização.
O custo da rotatividade neste sector é superior para a conquista de novos clientes
do que na retenção dos atuais, tornando-se num factor crítico para uma empresa
que opere no sector das telecomunicações.
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Enquadramento
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Para melhor explicar o Churn, eis as suas diferentes tipificações:
Identificação do “Churn”
O Churn consiste na troca de operadora por parte do cliente, trata-se da quantidade de
clientes contratuais ou assinantes que deixam uma operadora durante um determinado
período de tempo. A origem do termo surge muito provavelmente do verbo “to
churn” na língua inglesa, que significa “mexer, agitar violentamente”.
É um indicador de insatisfação do cliente, a sua mudança pode ser originada por vários
factores, tais como: preço mais barato na concorrência, oferta mais diversificada e
inovadora de serviços na concorrência ou questões naturais do ciclo de vida do cliente
para com a empresa.
Devido ao elevado índice de volatilidade neste sector, o Churn leva a que as
operadoras desenvolvam novas formas de retenção dos seus clientes e
sedução dos clientes da concorrência.
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Análise SWOT
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Informação a Recolher• Devem ser recolhidos junto das Bases de dados as seguintes informações:
• Informação básica do cliente : sexo, idade, localização, estado civil;
• Histórico do cliente : produtos/ serviços adquiridos (voz, dados, SMS), à quanto tempo é cliente da
operadora;
• Histórico de facturação e aquisição de novos produtos e serviços;
• Registo de reclamações.
• Identificar tipo de cliente com maior probabilidade de vir a efectuar churn;
• Identificar pontos fortes e fracos da comunicação com o cliente;
• Identificar aspectos de serviços e produtos que possam ser melhorados ou até
reavaliados;
• Validar, Implementar, Reorientar critérios de qualidade de serviço/produto, face a
expectativas dos clientes;
• Identificar timmings de contacto válidos para evitar reclamações com desfecho Churn.
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Árvore de Decisão
Web Usage Mining
Identificação de perfis do cliente e de padrões de navegabilidade no sentido de
aumentar a assertividade das acções de relacionamento.
1. Compram online?
2. O que não compram?
3. Quem são?
4. O que pesquisam?
5. O quê, quando e como compram online?
6. Quais são os clientes que têm o mesmo comportamento de compra?
7. Quais as suas preferências?
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Permite reconquistar e reter os actuais clientes, aumentar e estimular
o consumo de produtos / serviços e até angariar novos clientes
Porquê Text Mining?
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
• Como pode ser observado na Figura 1, foi comparado o processo de decisão num determinado período de tempo (definido e estipulado), com a utilização da mineração de texto e sem a sua utilização. Sem o uso desta técnica, o tempo de recolha é muito maior, uma vez que os dados são disponibilizados de forma avulsa e sem qualquer classificação, o que aumenta a complexidade do processo reduzindo significativamente o timing para o processo de decisão.
• Ao contrário, a utilização de Text Mining permite o agrupamento e classificação, tornando quer o tempo de recolha quer o tempo de análise mais rápido, resultando num maior aproveitamento de tempo para acção. Valida-se assim o impacto positivo que o Text Mining tem, no planeamento estratégico de acções de retenção de clientes.
Processo de Recolha Text Mining
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Aplicabilidade do Clustering
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
• Técnica de Clusterização: explorar semelhanças e padrões de comportamento
e agrupar tipo de cliente por características similares. Vantagem aqui é não existir
um padrão pré-existente. Existe aqui a possibilidade de, ao obter uma quantidade
X de elementos (que concentra um conjunto de similaridades entre eles), porém
claramente diferenciadoras face a todos os outros clusters.
• O critério da similaridade é identificado sempre pela distância entre os elementos,
onde quanto mais perto os elementos estiverem um do outro mais similares eles
são.
• Gerando pela utilização de K-
means (elementos fortes e que
enquadram bem na diferenciação
face aos restantes), os chamados
centroídes (indivíduos
diferenciadores) e posteriormente os
elementos base que os validam e
são critério de avaliação de todos os
outros.
Proposta de resolução do problema
Com a eficácia da utilização das técnicas de Data Mining, Text Mining e Web Mining
é possível:
ANTECIPAR - Combater a rotatividade existente no sector das telecomunicações
através da previsão de qual o momento em que o cliente poderá querer trocar de
operadora e identificar quais são os “churners” voluntários – deliberados (principal
tipo de churner) ou acidentais e involuntários (identificação e activação de acções
anti-fraude e cobrança) [Ver quadro exemplificativo do próximo slide];
DETECTAR - Determinar que tipo de clientes são mais susceptíveis de abandonar o
serviço, e quais são os mais fiéis. Identificar o valor do cliente. A partir deste
conhecimento é possível estabelecer uma estratégia que minimize o churn,
reconquistar clientes pouco satisfeitos, e atrair novos clientes.
AGIR E PREVER - Atenção permanente a sugestões/reclamações apresentadas de
forma a que sejam resolvidas rapidamente as necessidades do cliente, com foque
nas novas tendências e futuros padrões de consumo.
• Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Plano Estratégico de Atuação Guerrilha ao Churnxxx
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Resultados
A análise e gestão do churn envolvendo modelos preditivos para a retenção de clientes e para a qualificação dos esforços de vendas e marketing, apresenta como principais outputs:
•Redução significativa do churn da operadora ao verificar-se um aumento da quantidade de clientes retidos;
•A operadora passa a recolher dados relevantes dos seus clientes em todos os pontos de contacto, permitindo delinear melhores planos de acção (business intelligence);
•Menores gastos em acções de marketing e de comunicação incorridos para retenção, nomeadamente através de melhores timmings no lançamento de promoções a clientes identificados como potenciais churners;
•A operadora permanece a mais lucrativa no mercado com a maior média de receitas por cliente (ARPU - Average Revenue Per User) e menor taxa de rescisões de clientes contratuais;
•Optimização na definição de tarifas pela operadora, permanecendo competitiva e rentável;
•Permite à operadora realizar up-selling a clientes de pré-pagos para reduzir churn, oferecer pacotes de serviços de maior valor premium a clientes pós-pagos (melhor adequação de serviços ao perfil do cliente).
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011
Conclusão
• A concorrência, em qualquer área de negócio, é hoje medida à escala global, sendo a diferenciação um desafio constante. No sector das telecomunicações o “combate” dá-se pela conquista de uma maior base de assinantes, quer através da retenção de actuais clientes, quer da conquista de novos.
• Gerir relações comerciais é assim a premissa para a sobrevivência/sucesso do negócio, já que os operadores começam a oferecer serviços semelhantes de uma forma ou de outra, mais cedo ou mais tarde.
• Na “Era da Globalidade” será na análise das especificidades do mercado, com base numa identificação de padrões de comportamento, que a estratégia deverá assentar, definido metas e objectivos específicos e adequados às necessidades e expectativas dos consumidores.
• O Data Mining é assim uma ferramenta crucial e de excelência, contribuindo para: Melhorar a fluidez e flexibilidade de dados; Apoiar decisões estratégicas com base em factos; Uma revisão estratégica constante; Identificar soluções, mantendo o processo transparente; Definir e gerir campanhas que fomentem a fidelização dos clientes; E no presente Caso de Estudo, para a redução do churn.
Data Mining | 2ª Edição PG Marketing Digital | Abril 2011