La

operadora móvil Orange ha puesto en marcha un importante proyecto de éxito

destinado a retener y fidelizar sus clientes residenciales
+ Empresa: Orange
+ Objetivos: definir los perfiles de clientes y predecir su propensión a la baja del
servicio.
+ Solución: crear un modelo de retención de clientes en la Unidad de Negocio
Residencial
+ Resultado: adecuar las campañas de marketing y fidelización a cada uno de los
perfiles de clientes.


Conocer el comportamiento de los clientes y prevenir el riesgo de abandono tiene sus
beneficios. No sólo puede traducirse en términos de rendimiento económico e
incremento de los ingresos, sino también en concepto de mejora del gasto y
optimización de los recursos disponibles. De hecho, para Orange suponía una
oportunidad afrontar esta problemática con el objetivo de poner en marcha una
política de carterización adecuada, ajustando sus activos de marketing en función del
tipo de usuario al que se dirigen las campañas.

Como paso previo, la compañía necesitaba conocer en profundidad el perfil de los
clientes residenciales que se habían dado de baja con anterioridad, de manera que se
pudiera establecer un conjunto de reglas aplicables a cada uno de los grupos
identificados, así como la propensión a la baja de clases encontradas. El análisis, que
se llevó a cabo a lo largo de 2004, se centró en los clientes residenciales de la
compañía.

De cara a determinar la probabilidad de fuga por segmentos, se comenzó a acotar el
término “baja”. Así se distinguieron tres categorías:

• Bajas voluntarias (originadas en el cliente y provocadas por la insatisfacción
con el servicio, la existencia de mejores ofertas por parte de la competencia, u
otros motivos ajenos a los dos anteriores).
• Bajas involuntarias (impagos o fraude).
• Bajas de portabilidad (contratos de clientes que habían solicitado el cambio a
otro operador).


A continuación, se reunió la información necesaria para establecer el modelo de data
mining, analizando a los clientes residenciales que se habían dado de baja y a otros
que no lo habían hecho, y determinado, en uno y otro caso, sus características propias,
de tal manera que fuera posible delimitar al máximo los distintos perfiles existentes
para poder compararlos y establecer los parámetros que terminan explicando el
comportamiento futuro del usuario.

Los datos utilizados en esta parte del proceso respondían a diversas tipologías.
• Datos de contratos: antigüedad, tipo y tarifas.
• Perfil de uso telefónico o patrón de uso: consumo total, clase de llamadas, días
en que se utiliza el servicio, períodos del día en los que se realizan las llamadas,
etc.
• Datos sociodemográficos: edad, sexo, área de actividad del cliente, etc.
• Vinculación con la empresa: número de servicios contratados y situación de
cada uno de ellos.
• Otros datos: número y tipo de contactos e incidencias recogidas en el Centro de
Atención al Cliente.

Con todo ello, se establecen una serie de reglas con las que identificar perfiles
generales, singularizando cada uno mediante datos tales como su tamaño o su índice
de propensión a la baja. Después, se desarrolló un sistema de scoring, capaz de asignar
a cada conjunto de clientes, de forma automática, un indicador de probabilidad de
abandono. De esta manera, es posible asignar a cada contrato o cliente, según el caso,
un número que indica su propensión a la baja. Esto permite establecer un criterio para
ordenar a los clientes con respecto a este indicador y realizar, posteriormente,
acciones de fidelización más precisas.

Por último, se llevaron a cabo estudios de chrun centrados en el segmento residencial,
objeto del proyecto. Con toda esta metodología, se pudo establecer un orden de

actuación por perfiles que permite realizar campañas personalizadas de fidelización,
más selecticas y eficientes, ajustadas además a las necesidades de cada grupo de
usuarios.

El trabajo realizado ha permitido a la compañía hacer un uso inteligente y racional de
sus recursos, desarrollando estrategias de fidelización diferenciadas para cada perfil
de usuario, lo que ha terminado redundando en un ahorro de gastos y una notable
mejora de la eficiencia comercial. De esta manera, conocer en profundidad los motivos
de abandono ha servido para mejorar la retención de clientes, adecuando la oferta a
sus necesidades específicas.