Il tasso di abbandono dei clienti, noto anche come attrito dei clienti, si riferisce alla percentuale di clienti che interrompe i rapporti commerciali con un'azienda in un periodo di tempo specifico. Il tasso di abbandono è una metrica importante che influisce direttamente su ricavi e redditività. Le attività monitorano i tassi di abbandono per valutare le proprie iniziative di fidelizzazione dei clienti e l'efficacia con cui mantengono i rapporti con i clienti. Tassi di abbandono elevati possono indicare che i clienti sono insoddisfatti di un prodotto o servizio, mentre tassi di abbandono bassi possono implicare lealtà e soddisfazione dei clienti. I tassi di abbandono medi dei clienti variano da settore a settore. Nel 2022, il tasso di abbandono mediano dei clienti è stato del 13% per le attività private SaaS (software-as-a-service).

Per comprendere l'abbandono della tua attività, devi sapere quanti clienti fidelizzi o perdi in un dato periodo di tempo e perché li perdi. I modelli di abbandono dei clienti possono aiutarti a creare una strategia di fidelizzazione olistica che affronta i problemi alla base del tuo abbandono. Di seguito, tratteremo ciò che devi sapere sui diversi tipi di modelli di abbandono, come scegliere e creare quello giusto per la tua attività e cosa fare con le informazioni che ne ricavi.

Contenuto dell'articolo

• Cos'è un modello di previsione dell'abbandono?
  
• Perché prevedere l'abbandono dei clienti?
  
• Principali indicatori predittivi dell'abbandono dei clienti
  
• I quattro tipi di abbandono dei clienti
  
• Tipi di modelli di abbandono dei clienti
  
• Come creare un modello di abbandono dei clienti per la tua attività
  
• Come utilizzare l'analisi predittiva per ridurre l'abbandono dei clienti
  
• Principali casi d'uso per i modelli di previsione dell'abbandono
  
• Come misurare l'efficacia dei modelli di abbandono dei clienti
  
• In che modo Stripe Billing può essere d'aiuto
  
• Domande frequenti sulla creazione di un modello di abbandono dei clienti
  

Cos'è un modello di previsione dell'abbandono?

Un modello di previsione dell'abbandono è uno strumento basato sui dati che stima la probabilità che un singolo cliente interrompa i rapporti commerciali con un'azienda in un arco di tempo definito. Utilizzando i dati storici sui clienti che hanno abbandonato e sui clienti che sono rimasti, il modello identifica modelli e fattori di rischio come il calo dell'utilizzo, i reclami all'assistenza o i problemi di addebito e li applica ai clienti attuali per segnalare chi è più a rischio di abbandono.

A differenza di un tasso di abbandono generale, che riporta ciò che è già successo a livello aggregato, un modello di previsione dell'abbandono guarda al futuro e assegna un punteggio ai singoli clienti, offrendo alle attività la possibilità di intervenire prima che quei clienti se ne vadano. Questi modelli vengono in genere creati utilizzando algoritmi di machine learning, come la regressione logistica, gli alberi decisionali e il gradient boosting, addestrati sugli attributi dei clienti come dati demografici, cronologia degli acquisti, livelli di coinvolgimento e interazioni con i servizi.

L'output è in genere una probabilità di abbandono o un punteggio di rischio per cliente, che le attività possono utilizzare per dare priorità alle iniziative di fidelizzazione, indirizzare i segmenti a rischio con offerte personalizzate e allocare le risorse verso i clienti che hanno maggiori probabilità di essere salvati.

Perché prevedere l'abbandono dei clienti?

Il tasso di abbandono può avere un impatto notevole sui ricavi, sulla redditività e sulla reputazione di un'attività. Ecco in che modo il tasso di abbandono influisce sulle operazioni aziendali.

• Costi di acquisizione dei clienti: in generale, acquisire nuovi clienti è più costoso che mantenere quelli attuali. Un modello di previsione dell'abbandono affidabile aiuta a compensare questo costo segnalando tempestivamente i clienti a rischio, in modo che le attività possano indirizzare gli investimenti per la fidelizzazione laddove è più probabile che diano risultati, anziché coprire ripetutamente il costo di nuove acquisizioni.

• Perdita di ricavi: la perdita di clienti crea una perdita diretta di reddito, con un impatto immediato sulla salute finanziaria dell'attività. Per le attività basate su abbonamento in particolare, ciò si manifesta rapidamente nei ricavi mensili ricorrenti (RMR): ogni cliente perso erode quella base e, se il modello continua su un numero sufficiente di clienti, può lasciare l'attività senza una base di ricavi stabile da cui crescere.

• Meno clienti a lungo termine: i clienti a lungo termine tendono ad acquistare di più nel tempo e possono quindi diventare meno costosi da gestire. Potrebbero anche acquistare prodotti o servizi a margine più elevato. Un tasso di abbandono più elevato significa avere un numero inferiore di questi clienti a lungo termine e può portare a una redditività inferiore.

• Reputazione del brand: tassi di abbandono elevati possono essere un segno di insoddisfazione dei clienti, il che può danneggiare la reputazione di un'azienda. I clienti soddisfatti hanno maggiori probabilità di indirizzare altre persone verso l'attività, mentre i clienti insoddisfatti potrebbero condividere le loro esperienze negative, scoraggiando i potenziali clienti.

• Crescita a lungo termine: una crescita sostenibile richiede una base di clienti stabile. Prevedere l'abbandono prima che si verifichi offre alle attività la possibilità di intervenire mentre una relazione con il cliente è ancora recuperabile, anziché reagire solo dopo che i ricavi sono già andati persi. Tassi di abbandono elevati possono compromettere le strategie di crescita a lungo termine, rendendo difficile per le attività espandersi o investire in nuove opportunità. Questo è particolarmente vero per le aziende che cercano di espandersi. Senza un modo per anticipare e ridurre l'abbandono, la crescita dei nuovi clienti può essere annullata dalle perdite di quelli esistenti, rendendo più difficile creare uno slancio sostenibile.

Indicatori chiave dell'abbandono dei clienti

Uno degli indicatori più immediati dell'abbandono dei clienti è il livello di soddisfazione per un prodotto o un servizio. Le attività possono misurarlo attraverso sondaggi, NPS (Net Promoter Score) e meccanismi di feedback. Punteggi di soddisfazione costantemente bassi o feedback negativi possono essere un forte indicatore di potenziale abbandono.

Altri fattori che possono influenzare la decisione di un cliente di lasciare un'attività sono:

• Interazioni con l'assistenza clienti: sebbene alcuni clienti coinvolti possano contattare l'assistenza per massimizzare il valore, le richieste di assistenza possono anche indicare problemi o insoddisfazione. L'analisi della natura e dell'esito di queste interazioni può prevedere l'abbandono, soprattutto se i problemi non vengono risolti in modo soddisfacente.

• Utilizzo di prodotti o servizi: monitorare come e con quale frequenza i clienti utilizzano un prodotto o un servizio può offrire alle aziende informazioni sui livelli di coinvolgimento dei clienti. Un utilizzo basso o in calo può segnalare che un cliente sta perdendo interesse o non ne trae vantaggio, il che potrebbe portare all'abbandono.

• Problemi di fatturazione e pagamento: frequenti problemi di fatturazione o legati ai pagamenti possono causare frustrazione e abbandono da parte dei clienti. Il monitoraggio di questi inconvenienti e della relativa risoluzione può rivelare segnali premonitori del fatto che i clienti sono a rischio di abbandono.

• Cambiamenti nel comportamento di acquisto: un improvviso cambiamento nelle normali abitudini di acquisto di un cliente, come una diminuzione delle dimensioni o della frequenza degli ordini, può segnalare insoddisfazione o un cambiamento nelle esigenze, portando potenzialmente all'abbandono.

• Feedback e reclami dei clienti: i feedback diretti o i reclami sono importanti indicatori di un potenziale abbandono. I clienti che si prendono il tempo di esprimere insoddisfazione o dubbi potrebbero prendere in considerazione l'idea di andarsene se i loro problemi non vengono risolti.

• Coinvolgimento con le comunicazioni di marketing: un calo nel coinvolgimento dei clienti con email, newsletter, promozioni o altre comunicazioni di marketing può indicare un calo di interesse o rilevanza, che può precedere l'abbandono.

• Fattori di mercato e competitivi: i cambiamenti nel mercato e le azioni della concorrenza possono influenzare l'abbandono. Ad esempio, se un concorrente lancia un nuovo prodotto o offre un servizio simile a un valore inferiore, ciò potrebbe portare a un aumento dell'abbandono.

• Rinnovi di contratti e abbonamenti: per le aziende con un modello basato su abbonamento o contratto, il periodo di rinnovo imminente è un momento chiave per valutare il rischio di abbandono. Quando i clienti valutano se rinnovare o meno, c'è la possibilità che si verifichi l'abbandono.

• Fattori demografici e psicografici: a volte, i cambiamenti nel profilo demografico di un cliente o uno spostamento dei suoi valori e preferenze possono prevedere l'abbandono. Ad esempio, un cambiamento dello stato finanziario, un trasferimento o uno stile di vita diverso possono influenzare la decisione di continuare a utilizzare un determinato prodotto o servizio.

I quattro tipi di abbandono dei clienti

Non tutti gli abbandoni avvengono per lo stesso motivo. Ecco i tipi da conoscere:

Abbandono volontario

Il cliente decide attivamente di annullare o smettere di utilizzare un prodotto o servizio, spesso a causa di insoddisfazione, alternative migliori o esigenze non soddisfatte. Questo è il tipo di abbandono su cui molti modelli si concentrano, poiché è spesso prevenibile con il giusto intervento.

Abbandono involontario

Il cliente non ha intenzione di andarsene, ma il suo accesso termina comunque, in genere a causa di pagamenti non andati a buon fine, carte di credito scadute o errori di addebito. Questo tipo viene spesso affrontato attraverso sistemi di ripetizione dei pagamenti e notifiche di addebito migliori, piuttosto che con iniziative di fidelizzazione dei clienti.

Abbandono deliberato

Un sottoinsieme dell'abbandono volontario in cui il cliente fa una scelta consapevole di andarsene perché il prodotto non è più adatto alle sue esigenze, al suo budget o ai suoi obiettivi. Ciò potrebbe includere il passaggio a una versione inferiore presso un concorrente o la decisione che il servizio non vale il costo.

Abbandono accidentale

Sempre volontario, ma guidato da circostanze estranee alla diretta insoddisfazione del cliente, come un cambiamento nella situazione di vita, difficoltà finanziarie o un trasferimento. Questi clienti potrebbero essere stati soddisfatti del prodotto, ma se ne sono andati per motivi non correlati alla sua qualità.

Tipi di modelli di abbandono dei clienti

I modelli di abbandono dei clienti sono classificati in base a una serie di fattori, come il tipo di algoritmo, il modo in cui il tempo viene considerato e il livello di dettaglio della previsione. Ecco una descrizione dettagliata dei tipi di modelli di abbandono dei clienti.

• Modelli di previsione dell'abbandono: questi modelli utilizzano dati storici per prevedere la probabilità che un cliente abbandoni in futuro. In genere, impiegano algoritmi di machine learning per identificare pattern e fattori predittivi di abbandono, descritti di seguito.

• Regressione logistica: si tratta di un modello statistico che stima la probabilità di un risultato binario (come abbandono/nessun abbandono) in base a una o più variabili indipendenti. È ampiamente utilizzato per la sua semplicità e interpretabilità.

• Alberi decisionali: questi modelli utilizzano un grafico ad albero delle decisioni e delle relative possibili conseguenze. Sono facili da interpretare, ma inclini all'overfitting.

• Foreste casuali: un metodo di insieme che utilizza più alberi decisionali per migliorare l'accuratezza predittiva e controllare l'overfitting; le foreste casuali sono più complete rispetto a un singolo albero decisionale e offrono spesso un'elevata precisione.

• Macchine a gradiente potenziato (GBM): le GBM sono una tecnica d'insieme che costruisce alberi in modo sequenziale, con ogni nuovo albero che corregge gli errori commessi dagli alberi addestrati in precedenza. Le GBM, come XGBoost e LightGBM, sono potenti per la previsione dell'abbandono, ma possono essere complesse da ottimizzare.

• Reti neurali: le reti neurali sono modelli di deep learning in grado di acquisire relazioni non lineari complesse attraverso livelli di nodi o "neuroni". Possono essere molto efficaci, in particolare con set di dati di grandi dimensioni, ma sono più difficili da interpretare rispetto a modelli più semplici.

• Modelli descrittivi di abbandono: invece di prevedere l'abbandono futuro, questi modelli forniscono informazioni sul comportamento di abbandono passato. Aiutano a identificare trend, pattern e i motivi alla base dell'abbandono, utilizzando spesso tecniche di clustering o l'analisi delle componenti principali.

• Modelli di abbandono per serie storiche: questi modelli esaminano come si evolvono i tassi di abbandono nel tempo. Possono essere particolarmente utili per le attività con forti modelli stagionali o per quelle che cercano di valutare l'impatto di eventi specifici nel tempo.

• Modelli basati su coorte: questi modelli analizzano i tassi di abbandono di diverse coorti di clienti. Una coorte potrebbe essere definita dalla data in cui i clienti si sono registrati, dal primo prodotto che hanno acquistato o da qualsiasi altro evento importante. Questo aiuta a identificare se determinate coorti sono più inclini all'abbandono rispetto ad altre.

• Modelli di analisi di sopravvivenza: noti anche come modelli tempo-all'evento, questi modelli misurano il tempo necessario affinché si verifichi un evento (abbandono). Sono particolarmente utili per prevedere quando un cliente abbandonerà.

• Modelli di abbandono in tempo reale: questi modelli generano previsioni istantanee basate sulle interazioni degli utenti in tempo reale. Richiedono una solida infrastruttura di dati e vengono utilizzati in scenari in cui le attività possono intraprendere azioni immediate per prevenire l'abbandono.

• Modelli ibridi: questi modelli combinano elementi di diversi tipi di modelli per sfruttarne i punti di forza e mitigarne le debolezze. Ad esempio, un modello ibrido potrebbe utilizzare una combinazione di un modello predittivo per la probabilità di abbandono e un'analisi di sopravvivenza per le tempistiche.

Per scegliere il tipo di modello più adatto, è bene valutare il contesto aziendale specifico, la natura della relazione con il cliente, i dati disponibili e il risultato desiderato dell'attività di modellazione. Spesso è utile sperimentare più modelli per individuare quello che fornisce le informazioni più accurate e attuabili per un particolare caso d'uso.

Come creare un modello di abbandono dei clienti per la tua attività

La creazione di un modello di abbandono dei clienti è una procedura in più fasi in cui si analizza come l'abbandono dei clienti viene definito, che cosa mostrano i dati e quale sia il modello più utile per la tua attività. Ecco una guida dettagliata per creare un modello di abbandono che soddisfi le tue esigenze aziendali.

• Definizione di abbandono: le diverse attività hanno definizioni diverse di abbandono. Per un servizio in abbonamento, l'abbandono potrebbe essere un cliente che cancella il suo abbonamento. Per una piattaforma di e-commerce, potrebbe essere un cliente che non ha effettuato un acquisto in un determinato periodo di tempo.

• Raccolta dati: raccogli dati storici che includano sia i clienti che hanno abbandonato sia quelli che non lo hanno fatto. Il set di dati deve includere una varietà di funzioni come dati demografici dei clienti, cronologia delle transazioni, dati sull'utilizzo dei prodotti, interazioni con il servizio clienti e qualsiasi altro dato pertinente che possa influenzare l'abbandono.

• Preparazione dei dati: pulisci i dati (gestisci i valori mancanti, rimuovi i duplicati ecc.) e trasformali in un formato adatto alla modellazione. Ciò potrebbe includere la codifica di variabili categoriali, la normalizzazione di valori numerici o la creazione di finestre temporali per le funzioni predittive.

• Sviluppo di funzioni: sviluppa funzioni che acquisiscano in modo efficace il comportamento e le caratteristiche dei clienti. Ciò può includere l'aggregazione di dati transazionali in metriche significative, il calcolo della frequenza di utilizzo o la derivazione di altri attributi utili dai dati non elaborati.

• Analisi esplorativa dei dati (EDA): prima di creare il modello, conduci un'EDA per trovare i modelli nei tuoi dati. Cerca le correlazioni tra le funzioni e l'abbandono, identifica i valori anomali e comprendi la distribuzione delle variabili chiave.

• Selezione dell'algoritmo: scegli un algoritmo di machine learning per prevedere l'abbandono. La regressione logistica, gli alberi decisionali, le foreste casuali, le macchine di gradient boosting e le reti neurali sono scelte comuni. La scelta del modello dipende dalle dimensioni del set di dati, dall'importanza delle funzioni e dalla necessità di interpretabilità.

• Addestramento e test: dividi i dati in set di addestramento e di test per valutare le prestazioni del modello. Il set di addestramento viene utilizzato per addestrare il modello, mentre il set di test viene utilizzato per valutarne il potere predittivo su dati non esaminati.

• Convalida del modello: utilizza metriche come l'accuratezza, la precisione, il richiamo, il punteggio F1 e l'area sotto la curva ROC (AUC-ROC) per valutare le prestazioni del modello. Concentrati sulle metriche che influiscono sugli obiettivi della tua attività. Ad esempio, se il costo dei falsi positivi è elevato, potresti voler massimizzare la precisione.

• Ottimizzazione del modello: regola gli iperparametri del modello per migliorarne le prestazioni. Prendi in considerazione l'utilizzo di tecniche come la ricerca a griglia, la ricerca casuale o l'ottimizzazione bayesiana per trovare il set ottimale di iperparametri.

• Analisi delle funzioni: scopri quali funzioni sono più influenti nel prevedere l'abbandono per guidare le tue strategie di fidelizzazione dei clienti.

• Distribuzione: distribuisci il modello in un ambiente di produzione in cui può fornire previsioni continue. Ciò potrebbe comportare l'integrazione del modello nei sistemi aziendali o l'impostazione di un processo batch per assegnare periodicamente un punteggio ai clienti.

Come utilizzare l'analisi predittiva per ridurre il tasso di abbandono dei clienti

Informazioni utili e strategie di intervento

• Utilizza le previsioni del modello per sviluppare strategie di fidelizzazione mirate. Ad esempio, valuta la possibilità di offrire ai clienti che hai identificato ad alto rischio di abbandono promozioni personalizzate, un servizio clienti proattivo o altri incentivi per fidelizzarli.

• Segmenta i clienti ad alto rischio in base alle loro caratteristiche o ai motivi di un potenziale abbandono e personalizza gli interventi di conseguenza.

Monitoraggio e ciclo di feedback

• Monitora le prestazioni del modello su base continuativa. Modifica e riaddestra il modello secondo necessità per rispondere ai cambiamenti nei pattern del comportamento dei clienti o delle operazioni aziendali.

• Stabilisci meccanismi di feedback per acquisire i risultati degli sforzi di fidelizzazione e monitorare regolarmente l'efficacia delle tue strategie in tal senso. Utilizza questi dati per affinare ulteriormente il modello predittivo e le strategie di intervento.

Collaborazione e integrazione a livello aziendale

• Condividi quanto appreso e le raccomandazioni del processo di analisi predittiva con i reparti competenti per creare una strategia di fidelizzazione coesa.

• Integra informazioni basate sui dati nei processi decisionali per soddisfare proattivamente le esigenze dei clienti e ridurre l'abbandono.

Principali casi d'uso per i modelli di previsione dell'abbandono

La previsione dell'abbandono è utile in quasi tutti i settori con relazioni ricorrenti o ripetute con i clienti, ma è particolarmente utile nei settori in cui l'acquisizione di clienti è costosa o in cui i ricavi dipendono da un coinvolgimento continuo.

Come misurare l'efficacia dei modelli di abbandono dei clienti

È importante misurare l'efficacia dei modelli di abbandono dei clienti per assicurarsi di non prendere decisioni aziendali basate su previsioni errate. Le seguenti metriche possono aiutarti a valutare le prestazioni dei modelli di abbandono.

• Accuratezza: si tratta della percentuale delle previsioni totali che il modello ha azzeccato. Sebbene l'accuratezza sia un punto di partenza, non fornisce sempre un quadro completo, soprattutto se il numero di clienti che abbandonano e di quelli che non lo fanno è sbilanciato.

• Precisione: dei clienti che, secondo le previsioni del modello, avrebbero abbandonato, quanti lo hanno fatto effettivamente? La valutazione di questa metrica è importante perché il costo dei falsi positivi (la previsione di abbandoni che in realtà non si verificano) può essere elevato.

• Richiamo: di tutti i clienti che hanno abbandonato, quanti ne ha identificati correttamente il modello? Questo è importante se desideri acquisire il maggior numero possibile di casi reali di abbandono, anche se ciò significa tollerare alcuni falsi positivi.

• Punteggio F1: questa metrica combina precisione e richiamo in un unico numero per una visione equilibrata.

• Area sotto la curva ROC (AUC-ROC): la curva ROC traccia il tasso di veri positivi rispetto al tasso di falsi positivi in base a varie impostazioni di soglia. L'AUC misura l'intera area bidimensionale al di sotto dell'intera curva ROC. Un modello con previsioni perfette ha un AUC pari a 1,0, mentre un modello che formula ipotesi casuali ha un AUC pari a 0,5.

• Matrice di confusione: questa è una tabella che mostra il numero di veri positivi, falsi positivi, veri negativi e falsi negativi. Ti aiuta a vedere i tipi di errori che il modello sta commettendo.

• Lift: questa metrica dimostra quanto il modello sia migliore nel prevedere l'abbandono rispetto a previsioni casuali. Un valore lift maggiore di 1 indica che il modello è migliore delle previsioni casuali.

• Impatto sull'attività: il vero test dell'efficacia del modello è il suo impatto sulle metriche aziendali. Riesci a ridurre i tassi di abbandono agendo in base alle previsioni del modello? Le strategie di fidelizzazione dei clienti basate sulle informazioni ricavate dal modello portano a un aumento del valore nel tempo (LTV) o a un miglioramento della soddisfazione dei clienti? Per valutare l'impatto sull'attività, puoi eseguire esperimenti controllati (come i test A/B) per confrontare i risultati con e senza gli interventi suggeriti dal modello di abbandono. L'osservazione delle variazioni dei tassi di abbandono, dei punteggi di soddisfazione dei clienti e della redditività nel corso del tempo aiuterà ad accertare il valore reale del modello.

In che modo Stripe Billing può esserti d'aiuto

Con Stripe Billing puoi addebitare gli importi e gestire i clienti come preferisci, tramite semplici addebiti ricorrenti, addebiti a consumo o contratti negoziati dal team commerciale. Incrementa i ricavi e fidelizza i clienti, automatizza il flusso di lavoro per la gestione dei ricavi e accetta pagamenti in tutto il mondo.

Con Stripe Billing puoi:

• Offri prezzi flessibili: avvia rapidamente l'attività con modelli di prezzo ibridi e basati sull'utilizzo integrati, tra cui tariffa fissa più eccedenze, crediti e altro ancora. Sono supportati in modo integrato coupon, prove gratuite, ripartizioni proporzionali e componenti aggiuntivi.
  
• Sperimentare e ottimizzare progressivamente le tariffe: rispondi più rapidamente alla domanda degli utenti con strumenti no-code per regolare le tariffe a consumo, gestire i segmenti tariffari e prendere decisioni informate mediante analisi granulari sull'utilizzo e la spesa.
  
• Allineare i prezzi al valore per il cliente: misura e applica le tariffe in base alle tipologie di utilizzo che generano l'impatto maggiore e definisci i prezzi in modo da riflettere direttamente il valore percepito dai clienti.
  
• Aumenta i ricavi e riduci l'abbandono: migliora l'acquisizione dei ricavi e riduci l'abbandono involontario con Smart Retries basati sull'intelligenza artificiale e automazioni dei flussi di lavoro di recupero. Gli strumenti di recupero di Stripe hanno aiutato gli utenti a recuperare oltre 6,5 miliardi di \$ di ricavi nel 2024.
  
• Aumentare l'efficienza: utilizza ulteriori soluzioni Stripe, facilmente integrabili con software di terze parti, per gestire le imposte, la reportistica sui ricavi e i dati, in modo da unificare più sistemi di ricavi.
  

Scopri di più su Stripe Billing, oppure inizia oggi stesso.

Domande frequenti sulla creazione di un modello di abbandono dei clienti