Divide y vencerás
La primera fase del proyecto consiste en analizar el histórico de datos y agrupar los clientes (tanto los fugados en algún momento como los que no) mediante técnicas de segmentación o clustering con el objetivo de obtener grupos de clientes con comportamientos similares. Esto permitirá, a través de diferentes algoritmos, identificar a los clientes con comportamientos de mayor riesgo de fuga. El siguiente paso se orienta a darle al modelo un carácter dinámico, con el fin de poder ver y analizar la evolución del cliente en el banco. De esta manera, la entidad es capaz de observar todos los estados por los que ha pasado el cliente a lo largo del histórico, pudiendo identificar las sendas de desvinculación más frecuentes.
Una vez delimitadas las sendas que desembocan en la fuga de un cliente (o en su permanencia) surge una pregunta clave: ¿cómo detectar los grupos que inicialmente no tienen un riesgo de fuga pero que pueden moverse a estados más peligrosos en el futuro? De nuevo, la solución la encontramos en el Big Data. El uso de algoritmos y detección de patrones frecuentes permite identificar las sendas más repetidas que acaban en fuga y, así, estimar cuáles son los comportamientos con mayor riesgo de acabar en una fuga definitiva del cliente.
En este punto, el análisis de datos también permitirá definir qué acciones o palancas de retención puede aplicar la entidad para evitar estas fugas y mover al cliente hacia un estado más cercano a la retención. El proceso culmina identificando las acciones comerciales más apropiadas para evitar la fuga de una proporción importante de clientes antes de que esto suceda.
Anticipación: la clave para la retención de clientes
La principal ventaja que ofrece el análisis de datos a las entidades financieras (y a cualquier sector en general) es la anticipación. Antes, los bancos gestionaban un proyecto de fuga a posteriori, sin tiempo a reaccionar. Ahora, la integración de los datos disponibles permite
visibilizarlos desde un punto único y analizarlos para anticipar y predecir los comportamientos de los clientes y tomar las medidas necesarias, en este caso, antes incluso de que se produzca la posible fuga del cliente a otra entidad, permitiendo así, estar un paso por delante sobre la decisión del cliente.
Integrar, ordenar, agrupar, y analizar los datos de una entidad bancaria permite, no solo conocer el comportamiento de los clientes sino predecir cómo se comportarán. El valor que aporta el uso de Big Data en este sector es claro: la entidad bancaria dispone de todos los datos necesarios para conocer realmente a sus clientes y tomar las medidas que eviten ciertos comportamientos como la fuga de clientes, incluso antes de que sucedan, así como conocer qué les ha llevado a tomar dicha decisión.