La rotación de afiliados plantea un desafío permanente para la sostenibilidad de las organizaciones y los sistemas de atención médica. Las elevadas tasas de abandono constituyen un problema grave y se correlacionan de manera directa con la pérdida de ingresos y el aumento del gasto de adquisición, ya que es es sabido que sumar un nuevo afiliado es alrededor de cinco veces más costoso que retener uno existente. La profundidad del problema y la necesidad imperiosa de detener la rotación hace que las organizaciones ya no puedan postergar la pregunta: “¿por qué los asociados dejan de usar nuestros servicios?”. ¿Este un tema que preocupa también en su organización?
Seguramente que sí les preocupa, particularmente si tenemos en cuenta que un estudio realizado en América Latina encontró que el 49% de las personas se despide de una marca después de haber tenido tan solo una mala experiencia con ella.
La buena noticia es que la transformación digital abre nuevas oportunidades de lidiar más eficientemente con este tema. Hoy se puede aprovechar el potencial de la inteligencia artificial (IA), del machine learning (ML) y la minería de datos para predecir la fuga de afiliados. ¿De qué manera? Entre otras cosas las soluciones basadas en estas tecnologías permiten examinar el comportamiento pasado de los socios y otras variables, y en base a eso se puede determinar cuál puede ser su accionar futuro e identificar a los que están en riesgo de “emigrar”. Por otra parte, para encontrar los modelos matemáticos (algoritmos) que den sustento a la solución, se pueden realizar pruebas de concepto rápidas que permitan poner las soluciones en acción y en contexto para medir, comparar su desempeño y capacidad predictiva
Anticiparse a la fuga
En efecto: hoy las soluciones basadas en IA permiten analizar datos que a simple vista tal vez no se “ven”, a efectos de que las organizaciones del sector de la salud puedan anticiparse a la pérdida de afiliados y diseñen las estrategias pertinentes para retenerlos.
Al analizar los datos de los afiliados actuales y los del pasado, se pueden inferir patrones de comportamiento y correlaciones a simple vista ocultos, que puedan explicar los factores que ocasionaron la fuga de aquellos que salieron del sistema u optaron por los servicios de otra organización. Para los humanos sería muy difícil lograr este objetivo, ya que para conseguirlo deberían correlacionar miles de puntos de datos. En cambio, al usar la potencia computacional y los algoritmos ML los datos históricos permitirán predecir con precisión las eventuales fugas futuras.
Ahora bien, antes de continuar avanzando, convendría que definamos con cierta precisión qué es el machine learning o el aprendizaje automático de IA. Pues bien, se trata de “un subconjunto de técnicas de inteligencia artificial que proporcionan al software, a las máquinas y a los robots la capacidad de aprender sin intervención o asistencia humana y sin establecer previamente las reglas del programa”. Se trata de técnicas que permiten diseñar modelos predictivos. Y a su vez el modelado predictivo aporta información vital para manejar –entre otras cosas- el acuciante problema que carcome los cuadros de resultados y la rentabilidad de las organizaciones de la salud: la constante fuga de afiliados. ¿Cómo se logra esto? Ya vimos que en base a los datos históricos recopilados se pueden analizar las características del comportamiento que más se correlacionan o vinculan con la posibilidad de que el afiliado deje de contratar los servicios de la organización de la salud. Al obtener esa información clave de manera anticipada, se puede prevenir esa pérdida mediante acciones proactivas.
Pasión por la IA
Una encuesta efectuada en Estados Unidos encontró que entre un total de trece industrias relevadas, el sector de la salud estaba liderando (junto a la industria minera) la adopción de IA y ML. El 42% de las organizaciones consultadas dijo que estaba utilizando el aprendizaje automático para reinventar procesos y cambios en los procesos. Y el 51% destacó que los procesos habilitados para el aprendizaje automático ayudaron a reducir los costos de "productos de servicio postventa" en al menos un 50%. Por otra parte el 65% afirmó que mediante el uso de procesos habilitados para el aprendizaje automático orientados a "comprender los mercados, los clientes y las capacidades" mejoraron los ingresos en un 10 a 20%. Y el 93% se mostró "totalmente de acuerdo" o "de acuerdo" en que los procesos habilitados para el aprendizaje automático ayudan a alcanzar un valor previamente oculto o inalcanzable. Además el 86% indicó que gracias a estos procesos estaban encontrando soluciones a problemas comerciales previamente no resueltos.
Churn analytics
Puntualmente las soluciones de churn analytics, también llamados de “análisis de fuga” ofrecen información en tiempo real a nivel del tamaño de los grupos de afiliados y de sus perspectivas de deserción. También ayudan a las organizaciones a analizar las tendencias de comportamiento de los afiliadoss para determinar el punto en que “se agitan”. Luego a partir de esa información las instituciones del sector estarán en mejores condiciones de desplegar estrategias de retención que pueden pasar por ejemplo por modernizar sus campañas de marketing o desplegar esfuerzos personalizados para disminuir las probabilidades de fuga.
Estas soluciones no solo permiten identificar a aquellosque no están contentos con la respuesta proporcionada por la organización de salud, sino también conocer más al detalle los puntos debiles del servicio, o los inconvenientes del esquema de precios, por ejemplo.
Obviamente para obtener esta preciada información sobre afiliados descontentos y conseguir capacidades predictivas lo más específicas posibles, habrá que contar con un conjunto de datos generoso y amplio en términos cualitativos, que permita profundizar en la interacción con el afiliado y en sus posibles motivaciones. Luego obviamente también será importante elaborar un modelo predictivo de aprendizaje automático lo más exhaustivo que se pueda.
Pruebas de concepto
En los hechos no existe un modelo de “customer churn” que sea extrapolable a cualquier escenario o compañía, ya que está íntimamente relacionado con sus propias variables. Por ello es necesario realizar un análisis desde el dominio de cada negocio y su contexto particular.
Pero ello no representa ningún inconveniente, ya que, bajo este modelo, las organizaciones de la salud pueden hacer rápidamente una prueba de concepto para ver qué modelo se ajusta mejor a sus necesidades de detección predictiva de fugas de afiliados
La prueba de concepto previa bajo el concepto de “Lab as a Service” se realiza con independencia de la arquitectura de software en la cual podría desplegarse a futuro, diseñándose como un servicio para que pueda ser integrado al landscape y sistemas de la empresa.
Entre otros temas la POC debe descubrir cuáles son las variables que describen y aproximan los motivos de fuga, mediante el análisis de la bondad predictiva y el peso de cada variable aleatoria, que den apoyo a una estrategia para la toma de decisiones sobre acciones comerciales de retención.
El método utilizado es un proceso iterativo y recursivo para explorar grandes volúmenes de información estructurada y desestructurada encontrar patrones ocultos y determinar correlaciones entre ellos. El foco es hallar información valiosa, “insights” para la toma de decisiones de negocio. En tal sentido los algoritmos de data mining permiten descubrir patrones: estructuras locales que aportan información sobre un espacio restringido por variables. De tal suerte, se itera para encontrar el modelo adecuado al mejorar el entendimiento de los datasets de entrada.
La decisión sobre los modelos de aprendizaje automático supervisado a utilizar se definirá durante la etapa de análisis, pero en base a la experiencia en problemas similares de clasificación se podrán considerar:
- Árboles de decisión.
- Máquinas vectoriales (SVM).
- Random forest.
- Regresión logística.
- Potenciación del gradiente.
- Naive Bayes.
- Redes neuronales.
Para cada uno de los algoritmos utilizados se hace un análisis cuantitativo en base a las predicciones realizadas sobre los datasets de prueba. Lo que se busca es evaluar la bondad de su capacidad predictiva ante el problema planteado. Para esto se utilizan herramientas de visualización de “scoring”. Luego se realiza una comparativa entre todos los algoritmos utilizados.
Ahora bien, como existe un océano infinito de datos y combinaciones entre ellos, la solución debe ser acotada en objetivos y tiempo, considerando mejoras iterativas sobre las mediciones reales a futuro. Por ello proponemos un modelo de servicio asociado a un outcome objetivo (por ejemplo reducir el churn en un 10% en próximo trimestre).
Claves de la implementación
La predicción de abandono de afiliados mediante el aprendizaje automático ayuda a identificar casos riesgosos y comprender por qué están dispuestos a irse. Luego, al analizar los motivos de deserción su organización podrá modificar sus actividades actuales y desplegar acciones que impidan la partida de aquellos proclives a emigrar. Es decir: podrán trabajar sobre su tasa de retención y mejorar significativamente su rendimiento general.
Pero, ¿cómo funciona y se implementa la solución de churn analytics en lo concreto? Un proceso automatizado recopila continuamente información sobre comportamiento de los socios (trámites, reclamos, actividades, etc), y también grabaciones de voz y conversaciones telefónicas. Al extraer taxonomías de sentimientos sobre conversaciones, llamadas y/o reclamos, permite sumar información clave al modelo predictivo de fuga de clientes.
De tal suerte, al iniciar el contacto en el portal de atención el servicio predictor de fuga indicará si el socio tiene alerta de “riesgo de fuga” para su seguimiento. Adicionalmente esta solución se podrá integrar con mensajería para realizar acciones automáticas para la retención del afiliado.
Evolución fundamental
En el pasado la posibilidad de predecir si un afiliado iba a dejar de usar los servicios de una prepaga por ejemplo se basaba exclusivamente en ciertas reglas comerciales imbuidas de conocimiento del mercado. A su vez esas reglas se basaban en la experiencia de los gerentes -y no en un análisis de datos exhaustivo-. Hoy en cambio se pueden aprovechar las grandes cantidades de datos recopilados sobre los afiliados y capacitar a los modelos de machine learning para que aprendan automáticamente esas reglas. Las técnicas de ML sirven precisamente para encontrar patrones y relaciones en grandes cantidades de datos, y las reglas descubiertas por sus modelos están garantizadas por la evidencia –y no ya por meras intuiciones o corazonadas-. Además los algoritmos de ML pueden procesar y extraer patrones de muchas variables, lo que da lugar a reglas por lo común más complejas y completas.
Las ventajas de utilizar soluciones de predicción de fuga con ML son múltiples y poderosas, pero hay dos que cabe destacar por sobre el resto:
- Ayuda al crecimiento del negocio al volver a involucrar y retener a los afiliados que de otro modo probablemente se fugarían. ML permite aplicar los conocimientos antes de que sea demasiado tarde.
- Al contar con datos históricos de buena calidad de los afiliados, los algoritmos de ML pueden aprender reglas muy precisas en tiempos mucho más cortos. Estas reglas además se pueden adaptar a los cambios que pudieran presentarse con el tiempo.
Al obtener anticipadamente la información sobre los afiliados que es probable que abandonen o se pasen a otro sistema de salud, su organización podrá proporcionarles algunos beneficios adicionales, o prestarles una atención especial.
Es decir que al predecir quiénes de ellos tienen probabilidad de deserción, y por qué, podrá tomar medidas al respecto e intentar retenerlos. Si están bien enfocadas, estas acciones tendrán un efecto oportunom y de esta forma su organización podrá seguir manteniendo la salud también a nivel de sus propios cuadros de resultados.
