La mayoría de las empresas se esfuerzan mucho por atraer clientes y, una vez que los consiguen, quieren conservarlos. De ahí el desarrollo de las «campañas de retención»: programas de recompensas, recomendaciones y ofertas diseñados para inducirnos a seguir comprando a esas empresas. En apariencia, esta estrategia tiene todo el sentido.
El profesor de marketing de Wharton Raghuram Iyengar, Martin Schleicher, de la IAE Business School de Buenos Aires, y Eva Ascarza, de Columbia Business School, profundizaron en las preguntas de cuándo, por qué y con quién funcionan estas tácticas de marketing. Su artículo, «The Perils of Proactive ChurnPrevention Using Plan Recommendations», incluye el resultado contraintuitivo de que, con frecuencia, los resultados de estas campañas son exactamente lo contrario de lo que se pretendía.
En esta entrevista con Knowledge@Wharton, Iyengar explica qué descubrieron y por qué la «retención» es mucho más compleja de lo que cabría esperar.
A continuación, se presenta una transcripción editada de la conversación.
No recuerde a sus clientes que tienen otras opciones:
Esta investigación en particular [analizó] la eficacia de las campañas de retención. Muchas empresas dirigen campañas de retención a los consumidores. Quieren conservarlos, así que pueden ofrecer incentivos: por ejemplo, podrían ahorrar en su próxima compra o recibir un descuento de 10 dólares. Estas campañas son muy comunes y muchas empresas creen que funcionan. Pero ¿realmente funcionan?
Tuvimos la oportunidad de colaborar con una compañía de telefonía móvil que intentaba llevar a cabo estas campañas de retención. Lo que fue estupendo para nosotros es que se trató de un experimento de campo: a un grupo de clientes seleccionados al azar le hicieron una campaña de retención. Era una campaña sobre planes de precios. A otro grupo de clientes no le hicieron nada. Los clientes que participaron en la campaña de retención se marcharon en mucha mayor proporción; de hecho, la diferencia fue asombrosa. Esto fue muy perjudicial para la empresa.
¿Cuál es el panorama general? ¿Funcionan las campañas de retención? En realidad, quizá no funcionen cuando se aplican a todos. Lo que descubrimos fue más matizado: funcionan, pero solo si eres el destinatario. Twitter Así que [las empresas deberían] hacer campañas de retención, pero de forma segmentada.
Conclusiones clave:
Principalmente, cuando muchas empresas empiezan a plantearse estas campañas, lo habitual es lanzar una campaña masiva: enviar un paquete de retención a todos sus clientes. ¿Por qué? Porque es fácil. No tienen que pensarlo demasiado. Se lo envían a todos.
[Sin embargo,] a veces, enviar campañas a las personas puede hacer que empiecen a cuestionar su propio comportamiento. Por ejemplo, en este caso concreto de la compañía de telefonía móvil, cuando enviaron una campaña de retención —que básicamente consistía en analizar los patrones de uso de las personas y decirles: «Mire, puede que haya otros planes que le convengan más»—, hicieron que los clientes se preguntaran si estaban obteniendo una buena oferta. Y si aquí están obteniendo una buena oferta, ¿por qué no buscar en otro sitio?
Esto sugiere que las campañas de retención a menudo deben ser segmentadas. Piense detenidamente en quiénes de su cartera de clientes podrían ser propensos a marcharse. No las haga de forma masiva; hágalas de manera segmentada.
Conclusiones sorprendentes:
En apariencia, la mayoría de la gente cree que las campañas de retención funcionan. Permítanme darles algunas cifras concretas.
En el estudio que realizamos con un grupo de clientes de un servicio de telecomunicaciones, observamos su comportamiento durante los tres meses anteriores a la campaña y los tres meses posteriores. Descubrimos que, entre los clientes que recibieron la campaña de retención, dos meses después el 10 % había dejado el servicio, frente a un grupo de control al que no se le hicieron campañas, en el que se marchó el 6 %.
Así que un 4 % es una tasa de abandono asombrosamente alta… Lo que descubrimos fue que, en promedio, es muy difícil encontrar pruebas de que las campañas de retención funcionan, pero fue muy fácil encontrar pruebas de para quiénes funcionaban. Había muchos grupos de clientes [con] ciertas características —muy fáciles de observar para las empresas— para quienes estas campañas funcionaban.
El hecho sorprendente fue que, en promedio, no funcionaban. Y creo que para muchas empresas esto es revelador, porque deberían plantearse detenidamente: «¿Cómo podemos adaptar nuestras campañas de retención?»
Cómo deberían segmentar sus campañas las empresas:
Creo que esto es muy interesante. En cuanto a la personalización, hoy en día resulta muy conveniente —sobre todo para las muchas empresas que se guían por los datos— que estas dispongan de mucha información sobre sus clientes. Por ejemplo, en el contexto de la telefonía móvil, las empresas recopilan habitualmente información sobre el consumo anterior. En nuestro caso, por ejemplo, teníamos información que habíamos recopilado durante los tres meses anteriores: ¿cuál era el nivel de consumo excedente? ¿Cuánto consumía la gente por encima de los minutos incluidos en el plan? Teníamos información sobre cuánto variaba su consumo. Un mes, ¿usaban 100 minutos? ¿Al mes siguiente, de repente usaban 200 o 500 minutos?
Son patrones observables que se pueden detectar en la propia cartera de clientes. Muchas veces, descubrimos que analizar los datos de los clientes usando estos patrones observables puede ser una excelente manera de personalizar las campañas.
Permítanme darles un ejemplo concreto. En nuestro caso, descubrimos que quienes consumían mucho más que los minutos incluidos en su plan, los consumidores cuyo consumo variaba enormemente y quienes mostraban una tendencia negativa con el tiempo —consumían cada vez menos— eran los que probablemente se marcharían. Y, para muchos de estos clientes, hacer una campaña de retención en realidad aumentó la probabilidad de que se fueran.
A veces, lo mejor es dejar las cosas como están.
En qué se equivocan las empresas con sus datos:
Creo que una de las cosas interesantes que están ocurriendo hoy en día, especialmente si pensamos en los macrodatos, la analítica y todo eso, es que las empresas están experimentando rápidamente. Muchas empresas realizan pruebas A/B de manera habitual.
Lo que descubrimos es que no basta con hacer pruebas A/B. Es importante analizar los datos correctamente. Permítanme darles un ejemplo concreto. En nuestra prueba A/B, un grupo estaba formado por las personas que recibieron recomendaciones; el otro, por las que no recibieron ninguna. Quienes recibieron recomendaciones y las aceptaron abandonaron el servicio menos que el grupo de control. Ahora bien, alguien podría pensar que la campaña de retención funcionó. Pero es importante recordar que los clientes decidieron aceptar la campaña. Por lo tanto, ahí hay autoselección.
Las personas que estuvieron expuestas a la campaña y decidieron no aceptarla, en realidad, abandonaron el servicio en mucha mayor proporción. El mero hecho de estar expuestos a la campaña cambió su comportamiento. Por eso, cuando las empresas realizan pruebas A/B, es importante que piensen detenidamente qué se asigna al azar y qué seleccionan los propios consumidores. Pasar por alto este hecho puede llevarlas a pensar que algunas campañas tienen éxito cuando no es así. Creemos que las pruebas A/B se generalizarán rápidamente en el campo de la analítica de datos. Pero, una vez más, hacer pruebas A/B es fácil; analizar e interpretar correctamente los resultados es mucho más importante.
Cómo eliminar la «autoselección» de la ecuación:
Muchas personas han estudiado los planes de precios y cómo eligen los clientes entre ellos. En muchos de estos casos, los consumidores se autoseleccionan. Así que, desde la perspectiva de una empresa, si quiere analizar el impacto causal de ofrecer planes de precios, es difícil hacerlo a priori, porque interviene un componente de autoselección de los consumidores.
¿Cómo lo resolvemos? Convenciendo a una empresa de que debería realizar un experimento de campo, el estándar de referencia para la interpretación causal. Lo que terminamos haciendo fue un experimento de campo en el que, una vez más, a algunas personas se les ofrecieron ciertos planes de precios y a otras no se les hizo ninguna recomendación. Esto nos permitió obtener una interpretación causal, algo muy, muy difícil de hacer utilizando únicamente datos de segundo orden, como han hecho muchos investigadores.
Próximos pasos: lograr que las recomendaciones funcionen mejor:
Me gustaría seguir trabajando más en el ámbito de los planes de precios y las recomendaciones. Tras colaborar con una empresa de Austin, Texas, que está empezando a analizar el consumo de energía y la idea de los contadores inteligentes, nos preguntamos cómo hacer que las personas entiendan que, al consumir electricidad, se les aplican distintas tarifas y distintos niveles. Lo que intentamos hacer es un experimento de campo: destacar esta información para los consumidores y observar cómo podrían cambiar su consumo de energía con el tiempo y de un día a otro, según cuánto estén consumiendo en ese momento.
Este artículo se publica en colaboración con Knowledge@Wharton. La publicación no implica que el Foro Económico Mundial respalde estas opiniones.
Para mantenerse al día con la Agenda, suscríbase a nuestro boletín semanal.
Autor: Raghuram Iyengar es profesor de marketing de Wharton.
Imagen: Personas caminan por el centro comercial Mall of Berlin durante su noche de apertura en Berlín. REUTERS/Thomas Peter
