En lo que respecta a la prevención de la pérdida de clientes, los vendedores suelen empezar por identificar qué clientes tienen más probabilidades de abandonarla y, a continuación, realizar pruebas A/B para determinar si una intervención de retención propuesta será eficaz para retener a los clientes de alto riesgo. Si bien esta estrategia puede ser eficaz, el autor comparte una nueva investigación basada en experimentos de campo con más de 14 000 clientes que sugiere que no siempre es la mejor manera de maximizar el ROI de la inversión en marketing. En cambio, el autor sostiene que las empresas deberían utilizar los datos de las pruebas A/B junto con los datos demográficos y conductuales de los clientes para determinar qué subgrupo de clientes será más sensible a la intervención específica que se esté considerando. Es importante destacar que los datos sugieren que este subgrupo no se corresponde necesariamente con el grupo de clientes de «alto riesgo»; en otras palabras, es muy posible que la intervención no sea tan eficaz para retener a los clientes de alto riesgo como lo será para retener a algún otro grupo de clientes. Al identificar las características que realmente se correlacionan con una alta sensibilidad a una intervención determinada, los vendedores pueden orientar sus campañas de forma proactiva a los clientes que se muestren más receptivos a ellas y, en última instancia, reducir las tasas de abandono y aumentar el ROI.

•••

Cada año, los vendedores gastanmiles de millones de dólares en campañas destinadas a atraer, retener y aumentar las ventas de los clientes. Sin embargo, a pesar de esta enorme inversión, puede resultar muy difícil determinar la eficacia real de estas iniciativas y cómo se pueden mejorar. Un método común para medir el retorno de la inversión (ROI) de una campaña es ejecutar unPrueba A/B: Los vendedores se dirigirán a los clientes con dos intervenciones diferentes y, a continuación, compararán los resultados entre los dos grupos. Con el enfoque de análisis correcto, estas pruebas A/B pueden proporcionar información útil, pero también pueden resultar muy engañosas.

Para entender las deficiencias de la forma en que se suelen utilizar las pruebas A/B, es útil tener en cuenta un ejemplo hipotético. Imagine que trabaja para una gran organización artística a la que le preocupa la disminución de las tasas de retención entre sus miembros. Está pensando en enviar un pequeño obsequio junto con la notificación de renovación a los miembros que haya determinado que corren un mayor riesgo de cancelar sus membresías, pero como eso tiene un coste, querrá asegurarse de que la intervención es efectiva antes de ampliarla de manera más amplia. Así que decide llevar a cabo una pequeña campaña piloto en la que se elige al azar un grupo de miembros «en riesgo» para recibir un regalo y otro que no, para comprobar si los que reciben el obsequio tienen más probabilidades de renovar.

Ahora, supongamos que no encuentra ninguna diferencia en las tasas de retención entre los miembros que reciben el regalo y los del grupo de control. Si termina su análisis ahí, es probable que tenga que cancelar el programa de regalos, ya que los datos parecen sugerir que el envío de regalos no afecta a la retención. Sin embargo, si examina los datos más detenidamente, descubrirá que para un subgrupo determinado de clientes, como los que habían visitado el local el año pasado, el obsequio aumentó significativamente sus probabilidades de renovación, mientras que para los clientes que no habían visitado el local durante mucho tiempo, el obsequio hizo que fuera menos probable que renovaran, tal vez porque sirvió como recordatorio más destacado de la poca frecuencia con la que utilizaban su membresía. El uso de una prueba A/B para evaluar el efecto medio de una intervención puede ocultar información importante sobre qué clientes probablemente se muestren más o menos receptivos a esa campaña (ya sea que el análisis sugiera que la intervención tiene un efecto positivo, negativo o, como en este ejemplo, insignificante), lo que lleva a los vendedores a tomar decisiones equivocadas en cuanto a qué campañas publicar con qué clientes.

Optimización de las campañas de prevención de la deserción

Esto no es solo hipotético, de hecho, este ejemplo se basa en una organización real con la que trabajé como parte de mi investigación. Cuando se trata de aumentar la retención, las empresas suelen identificar»alto riesgo » clientes, es decir, clientes cuyo comportamiento reciente u otras características sugieren que es muy probable que cancelen sus suscripciones o dejen de comprar un producto de la empresa y, a continuación, realizan pruebas A/B para determinar si sus campañas de retención serán eficaces con este grupo. Si bien esta es una estrategia comprensible (desde luego, no querrá desperdiciar recursos de marketing con clientes que de todos modos no se van a perder), mi investigación sugiere que puede resultar muy contraproducente, ya que puede llevar a los vendedores a tomar decisiones erróneas que, de hecho, reducen las tasas generales de retención y el ROI de la inversión en marketing.

En concreto, realicé experimentos de campo con dos grandes empresas que estaban implementando campañas de retención. En la primera parte de mi estudio, las empresas desarrollaron intervenciones para reducir la pérdida de clientes y, luego, realizaron pruebas A/B para rastrear las tasas de abandono de un total de más de 14 000 clientes, en las que un grupo de clientes asignado al azar recibió las intervenciones y el otro no. A continuación, recopilé un amplio conjunto de datos de información sobre los clientes, que incluía la actividad reciente y el compromiso con la empresa, la permanencia como cliente de la empresa, la ubicación y otras métricas que se utilizaban para predecir el riesgo de abandono, y examiné cuáles de estas características se correlacionaban con una respuesta positiva a las campañas de retención.

En ambas empresas, descubrí que los clientes que tenían el mayor riesgo de pérdida de clientes no eran necesariamente los mejores objetivos de los programas de retención; de hecho, había poca correlación entre el nivel de riesgo de abandono de los clientes y su sensibilidad a las intervenciones. Los datos muestran que ahí era un grupo distinto de clientes que respondieron con fuerza a cada intervención (clientes con características conductuales o demográficas particulares que se correlacionaban constantemente con una probabilidad mucho menor de abandonar después de recibir las intervenciones), pero ese grupo de «alta sensibilidad» casi no se superponía con las personas identificadas como «alto riesgo de abandono». Y esto tuvo importantes implicaciones para el ROI: mi análisis reveló que si las dos empresas dedicaran la misma cantidad del presupuesto de marketing al grupo de alta sensibilidad que al grupo de alto riesgo de abandono, reducirían sus tasas de abandono un 5 y un 8% adicionales, respectivamente.

Por supuesto, los factores específicos que aumentan las probabilidades de que un cliente sea receptivo a una campaña de retención varían de una organización a otra e incluso de una campaña a otra, pero llevar a cabo programas piloto como los descritos anteriormente puede ayudarle a identificar las características que mejor predicen la sensibilidad de sus clientes a una intervención específica. Por ejemplo, una de las organizaciones de mi estudio era una empresa de telecomunicaciones con acceso a datos detallados sobre métricas del comportamiento, como el número de llamadas que los clientes habían realizado en el último mes, el número de mensajes de texto que habían enviado, gigabytes de datos descargados y más. Para esta empresa, los datos mostraron que la última vez que un cliente interactuó con la empresa predijo su nivel de riesgo de pérdida de clientes, pero no influyó en su sensibilidad a la intervención de abandono. Lo que sí predijo la sensibilidad fue su uso de datos. Sugirió que, para maximizar el ROI, la empresa debería considerar la posibilidad de dirigir su campaña de retención no a los clientes que no habían interactuado durante mucho tiempo, sino a los clientes que utilizaban más datos.

Pasar de la predicción a la prescripción

Entonces, ¿qué significa esto para los vendedores? La idea clave es que las intervenciones de marketing deben segmentarse en función de la respuesta esperada de cada cliente a esa intervención, no en lo que se espera que hagan los clientes en ausencia de esa intervención. En cierto sentido, los vendedores son como los médicos: los médicos no se limitan a administrar tratamientos aleatorios a los pacientes con más probabilidades de morir, sino que recetan tratamientos específicos a los pacientes que tienen más probabilidades de responder positivamente a esos tratamientos.

En lugar de intentar predecir lo que harán los clientes (es decir, tratar de determinar su riesgo de pérdida de clientes), los vendedores deberían centrarse en la forma en que los diferentes tipos de clientes responderán a determinadas campañas y, a continuación, diseñar campañas que tengan más probabilidades de ser eficaces para reducir la pérdida de clientes de un grupo determinado de clientes. Las empresas deberían aprovechar los datos de las pruebas A/B no solo para intentar medir la eficacia general de una campaña entre todos los clientes, sino también para explorar qué tipos de clientes son más sensibles a determinadas intervenciones. Eso significa combinar los datos demográficos y de transacciones históricos de los clientes con los datos recopilados mediante las pruebas A/B para identificar los comportamientos y las características que hacen que un cliente tenga más probabilidades de responder a una intervención en particular. Por suerte, muchas empresas ya recopilan todos estos datos; solo es cuestión de aprovecharlos de una nueva forma.

El concepto de campañas de marketing segmentadas no es nuevo, pero es fundamental pensar detenidamente en la forma en que se toman esas decisiones de segmentación. En lugar de limitarse a adivinar qué factores podrían indicar que alguien es un objetivo fuerte o centrarse en un grupo que se ha considerado de alta prioridad (como los clientes con alto riesgo de abandono), las empresas deberían centrarse en los clientes que serán más sensibles a la intervención específica que están implementando. Para maximizar el ROI, los vendedores tienen que dejar de preguntarse: «¿Es eficaz esta intervención?» y empezar a preguntar, «¿Para quién es más eficaz esta intervención?» — y luego segmentar sus campañas en consecuencia.