Neste post vamos mostrar a partir de um case como a Ilumeo utilizou Data Science para melhorar a retenção de clientes da seguradora Youse, analisando 2.000 ligações de Call Center e modificando a abordagem de vendas via telefone.
Aumentar a retenção de clientes é um desafio para muitas empresas e com a pandemia se tornou ainda mais importante. Nos modelos de recorrência, esse esforço faz ainda mais sentido e tem impacto maior na saúde financeira das organizações, que chegam a criar setores exclusivos de Sucesso do Cliente cuja meta principal é evitar a evasão de clientes, ou seja, retê-lo, diminuir a taxa de churn.
O Churn
Os fatores que levam a um churn são inúmeros, dependendo o cenário da empresa, do cliente e do produto ou serviço em questão: o cliente pode estar insatisfeito com o atendimento, pode não gostar mais da solução, pode ter tido algum problema na utilização do produto ou serviço, pode ter modificado sua realidade financeira e precisar cancelar, pode trocar pela concorrência… mas, aplicando Data Science, as conclusões se tornam menos óbvias e menos pautadas pelo “achômetro” ou por essa lógica simplista de: o cliente evadiu agora pelo motivo X. Não é raro que o próprio cliente não tenha plena certeza deste movimento que está fazendo e, menos ainda, a empresa.
Essa questão pode remeter a qualquer um dos pontos de contato na jornada de consumo, inclusive aqueles “lá de atrás”, que aconteceram na tomada de decisão do cliente – a abordagem do vendedor.
O problema que a Youse apresentou
O Life Time Value (LTV) é um ponto essencial para uma seguradora. Manter os clientes renovando o contrato ou dando continuidade natural ao serviço é um dos maiores desafios, dado que a concorrência e o “exército de corretores” geralmente levam opções mais baratas para os clientes mudarem de opção. A Youse faz vendas em diferentes canais, considerando também vendas online e por telefone. Muitos leads começam a fazer a cotação no site, preenchem alguns dados e desistem. É aí que entra o call center, que liga ativamente para esses contatos e responde por uma grande fatia das vendas.
Analisando o cenário, levantou-se a hipótese: a abordagem de venda pode ter um impacto significativo na retenção de clientes?
Data Preparation
Uma grande parte do trabalho da Ilumeo foi na etapa de preparação dos dados para rodar os algoritmos e fazer as análises necessárias que subsidiariam as tomadas de decisões sobre o call center. Uma percepção inicial da Youse era de que os leads tinham as mesmas características, tanto aqueles que contratavam via telefone quanto os que contratavam diretamente via Internet. Logo, o perfil demográfico e de risco não se diferenciava.
Foi necessário transformar as informações disponíveis na empresa em dados válidos para construir os algoritmos de predição de churn. A fonte dos dados foram 2.268 gravações de áudios de ligações dos três call centers terceirizados que faziam esse trabalho, relacionadas às vendas de apólices de seguro dos últimos seis meses e que tenham contratado pelo menos uma apólice de seguro automotivo. Metade delas os clientes evadiram e metade delas os clientes permaneceram na base.
Obviamente, o churn da empresa não era tão grande assim. O fato de haver uma variável binária (0 não churn, 1 churn) para modelar a predição fez o time decidir que o data set não deveria ser representativo das vendas (o que traria para o banco de dados pouquíssimos casos de churn). Na prática, a decisão metodológica foi sobre representar os churners, tendo um data set de praticamente metade de casos de churn e metade de não-churn.
Os dados desestruturados que eram os áudios foram estruturados pela equipe da Ilumeo, que ouviu todas as ligações e organizou em uma planilha levando em consideração 80 variáveis, como argumento de venda utilizado pelo atendente, gênero do atendente e do cliente, ticket da compra, idade, quais as coberturas possíveis, etc.
As informações organizadas foram importadas em um banco de dados, se tornando possível construir um algoritmo que trouxesse à tona as relações entre a abordagem de venda e a retenção de clientes na base.
Exemplo de banco de dados criado após a coleta de informações
É importante destacar que a Ilumeo se baseia em métodos científicos e pesquisas internacionais com aceitação da comunidade científica e que sejam consideradas fidedignas. Logo, muito mais que experiência de mercado ou empírica, a equipe envolvida consumiu diversos papers científicos para chegar à metodologia utilizada no projeto. Também foram realizadas conversas com corretores reconhecidos e seniores do mercado que norteiam o que é uma boa abordagem de venda:
Assim, a opção metodológica foi por um modelo supervisionado, que leva em conta o label de resposta (churn ou não-churn) e tem as variáveis preditoras muito bem definidas a partir de critérios científicos, de expertise e de pesquisa qualitativa com os vendedores. Haveria outros approaches possíveis, inclusive não supervisionados, que poderiam relacionar cada palavra falada com os outputs, por exemplo. Porém, a premissa era garantir interpretabilidade e lógica do modelo, não somente precisão.
A revelação por trás dos dados
Ao cruzar os dados coletados e utilizar regressão logística revelaram-se quais as abordagens de vendas dos call centers contratados pela Youse são mais preditivas de churn. São os dados ilustrados abaixo:
Havia argumentos específicos utilizados pelos vendedores, como o Argumento 1 que, embora levasse o cliente a comprar, aumentava em 113% a probabilidade de churn nos meses seguintes. Já outros argumentos utilizados, como o Argumento 27, que reduziam em até 78% a probabilidade de churn. A abordagem variava desde a ordem dos argumentos utilizados, a ancoragem subjetiva da marca no início da ligação, se o atendente posicionava a empresa como uma “seguradora com o atributo X” ou uma “seguradora com o atributo Y”.
Após esse trabalho desvendado, diversas ações foram levadas em frente na empresa, como a criação de uma Oferta Estatisticamente Ótima que aumenta a probabilidade de fechamento da venda e da redução de churn posteriormente. Foi identificado um pacote padrão de coberturas iniciais que podem ser oferecidos entre as inúmeras coberturas e benefícios possíveis para customizar os serviços. E isso tudo, sem perder a essência da empresa que é a customização e flexibilidade de o consumidor e flexibilidade de o consumidor escolher o que melhor se adapta à realidade dele.
O projeto de Data Science foi pilotado pelo setor financeiro da empresa que estava preocupado com a perda de receitas com o churn dos clientes, mas se estendeu por multi departamentos. Envolveu o setor de vendas, que modificou suas abordagens comerciais, remodelou sua política e refez as remunerações variáveis dos atendentes, influenciou o Marketing a melhorar a divulgação online e impactou o RH, que reformulou o conteúdo dos treinamentos das equipes terceirizadas de Call Center para que os atendentes passassem a seguir o script que mais era rentável para a empresa.
Atualmente, é possível realizar uma espécie de Teste A/B comparando a diferença de desempenho dos times de call center que passaram pelo novo treinamento reformatado à luz dos aprendizados de Data Science versus aqueles que não passaram.
A imagem mostra, em dados, a relação do percentual de vendas dos atendentes com relação aos argumentos utilizados para convencimento do cliente.
O objetivo inicial do projeto era aumentar a retenção dos clientes da Youse. Ao longo do ano, o churn caiu alguns pontos percentuais, o que significa muita margem incremental entregue ao negócio no longo prazo.
A evolução da Data Science no Call Center
O projeto, ancorado no tripé Estatística-Tecnologia-Negócios, pode utilizar ainda mais a Tecnologia para ajudar a gerar melhores resultados. Um próximo passo possível é a ação em tempo real para apoiar o atendente a utilizar a melhor abordagem possível de acordo com o tipo de cliente que está na ligação.
Funcionará assim: durante a ligação, a tecnologia Speech to Text entende o que o cliente está falando em áudio, transforma esses dados em texto, que roda no sistema de Machine Learning por meio Processo de Linguagem Natural – NPL – e o algoritmo entende, com base em todos os outros clientes de mesmo perfil, qual a melhor oferta a fazer e qual a sequência de argumentos que o vendedor pode utilizar para aumentar sua probabilidade de fechamento e reduzir o churn depois. Entendendo isso, o sistema envia um pop-up na tela do computador do atendente, sugerindo a abordagem e argumentos ao estilo “agora fale isso, isso e isso” e “não use isso, isso e nem isso”. Tudo acontecendo em tempo real, em pouquíssimos segundos.
Esse próximo passo está na vanguarda dos projetos de Data Science da Ilumeo – e também do Brasil – por ser 100% customizada ao cliente e não existir outra solução semelhante no mercado, mas ela é perfeitamente possível de ser construída do ponto de vista de tecnologia disponível e de conhecimento técnico da equipe.
