El trackeo de las plataformas de autogestión implica un gran desafío para los que trabajamos en analytics y venimos acostumbrados a sitios web más convencionales. Estas plataformas se caracterizan por ser entornos en los cuales los usuarios deben estar logueados para realizar operaciones que antes no se hacían de manera digital y donde cada uno tiene un identificador único llamado “User ID”, el cual se envía a Google Analytics a partir del momento del login.

Uno de los puntos más interesantes para el análisis del comportamiento de estas plataformas es poder predecir cuándo un usuario abandonará el servicio (también llamado churn). Este trabajo cuenta con mucha utilidad a la hora de realizar acciones comerciales de retención con el fin de impedir el abandono.

Predicción de churns

Hay que tener presente que el modelo a elegir depende de múltiples factores. Por ejemplo, no es lo mismo predecir churns para la plataforma de un banco (online bankings) donde la competencia es muy fuerte y es frecuente el cambio, que hacerlo para un proveedor de electricidad o una universidad donde hay menos competencia y la rotación es menos frecuente.

El objetivo de esta predicción es evitar el churn mediante acciones de retención (que tienen un costo). Si no accionamos, ellos podrán ser atraídos por la competencia (lo cual también tiene un costo). Nos encontramos, entonces, ante dos escenarios:

  • Buscar predecir una alta cantidad de churns a costa de gastar en intentar retener usuarios que no iban a ser churns (Caso A)
  • Buscar optimizar recursos a costa de dejar afuera de la predicción usuarios que serán churns y sobre los cuales no se harán acciones de retención (Caso B)

El primer caso puede ser el de una empresa que está más preocupada por no perder usuarios que por realizar gastos extras de retención. Esto se puede dar en mercados muy competitivos. El segundo caso, en cambio, puede ser el de una que prefiere tener más precisión en su modelo para evitar costos innecesarios.

Frecuencia de los usuarios: un modelo posible

Utilizando la información que brinda Google Analytics y aprovechando la posibilidad de asociar cada visita a un usuario, podemos obtener datos de los ingresos de todos los usuarios. En promedio, cada uno de ellos ingresa al sitio con determinada frecuencia.

Si bien a lo largo de su vida en el sitio los usuarios van teniendo visitas de distinta naturaleza (con operaciones o sin, provenientes de una u otra fuente, realizadas con uno u otro dispositivo) a efectos de este análisis únicamente interesa el hecho de que hayan entrado a la plataforma.

Tomando lo anterior como punto de partida, un modelo sencillo que se puede utilizar para esta predicción es considerar como churns aquellos usuarios que no entraron a la plataforma pasado el promedio de días con el que solían entrar a la misma en el pasado. Por ejemplo, si un usuario solía entrar cada cinco días a la plataforma en los últimos meses y hoy ya pasaron más de esos cinco días y no entró,  predecimos que este usuario es un churn: no va a entrar nunca más a la plataforma.

Para seguir avanzando, se debe complejizar el modelo usando medidas estadísticas más avanzadas como el desvío estándar con el objetivo de hacer el modelo más eficiente. Lenguajes como Python y herramientas como Jupyter Notebook nos ayudaron en este proceso.

Conclusión

La posibilidad de identificar a los usuarios con un identificador único abre la posibilidad de realizar acciones sobre los usuarios de manera individual.

Predecir churns le sirvió a nuestros clientes para implementar medidas comerciales de retención como los call centers, las campañas de mails y la publicidad en redes sociales, entre otras.

Mailén Pellegrino

Analytics Consultant