Resumen:
Currently, the use of electronic signatures for various procedures is gaining significant prominence. As a result, there is an increasing number of companies dedicated to this purpose, intensifying competition and prompting the adoption of customer loyalty or retention strategies.
It is crucial to consider customer scores in areas such as service quality and recommendations, as well as the department handling their requests and the number of support interactions. By analyzing these factors, it is possible to implement attractive promotions tailored to customer needs.
The more precisely these promotions are aimed at the target audience, the more likely customers will choose our product instead of opting for the competition. Unlike traditional processes, which involve contacting all customers without offering discounts or promotions to those at risk of leaving, this work incorporates training a machine learning model to predict customer churn. It also identifies a specific segment of customers with the highest risk of churn and provides an interactive dashboard to monitor customer service operations.
As a result, we developed an early detection system for customers with a high likelihood of churn, focusing on the top 10% segment, which yields a 63% economic benefit compared to a random sample of customers.
Keywords: electronic signature, customers, early detection, machine learning, churn, promotions.
Descripción:
En la actualidad el uso de firma electrónica para los distinto trámites está ganando mucha notoriedad razón por la cual hay cada vez más empresas que se dedican a este fin, lo cual incrementa la competencia entre estas y obliga a adoptar estrategias de fidelización o retención de clientes.
Es importante tener en cuenta las puntuaciones tanto de atención y recomendación de estos, así como el departamento que atiende a las personas y la cantidad de soportes que tienen, mediante el análisis de estos factores se pueden implementar promociones atractivas para los clientes.
Mientras más enfocado sea el público objetivo de estas promociones, más clientes terminarán prefiriendo nuestro producto en lugar de cambiarse a la competencia.
A diferencia del proceso tradicional que incluye contactar a todos los clientes sin ofrecer descuentos ni promociones a clientes en peligro de abandonar, este trabajo incluye el entrenamiento de un modelo de aprendizaje automático que nos ayude a predecir el abandono de clientes, además de obtener un segmento especifico de aquellos clientes con mayor riesgo de abandono y un dashboard interactivo donde se puede consultar la operatividad en cuanto a la atención al cliente.
Como resultado se pudo obtener un sistema de detección temprana de clientes con mayor probabilidad de abandono, obteniendo el top 10% el cual nos proporciona un beneficio económico del 63% en relación con una muestra aleatoria de clientes
