Размышляя о сценарии использования, который был у меня уже десять лет
Ни одна компания не любит терять ценных клиентов. Вначале компания обычно фокусируется на привлечении новых клиентов, затем растет, предлагая дополнительные продукты существующим клиентам или пытаясь заставить их использовать их продукты больше.
Если все идет хорошо, наступает момент, когда компания становится достаточно большой, и ей также необходимо выбрать немного более оборонительную стратегию и сосредоточиться на удержании существующих клиентов. Несмотря на лучший пользовательский опыт, всегда будет группа клиентов, которые останутся недовольны и решат уйти.
Затем компания сталкивается с проблемой, как максимально эффективно предотвратить эти (добровольные) ухода. Здесь на помощь, в частности, приходит модель оттока.
Какая модель оттока?
Это прогностическая модель, которая оценивает на уровне отдельных клиентов склонность (или восприимчивость) к уходу. Для каждого клиента в любой момент времени он показывает, насколько высок риск его потери в будущем.
Технически это бинарный классификатор, который делит клиентов на две группы (классы) - тех, кто уходит, и тех, кто этого не делает. Помимо отнесения их к одной из двух групп, это обычно дает нам вероятность, с которой клиент принадлежит к этой группе.
Важно отметить, что это вероятность принадлежности к группе уходящих клиентов. Таким образом, это склонность уйти, а не вероятность уйти. Однако можно оценить вероятность с помощью модели оттока.
Для чего это полезно?
Зная, какие клиенты подвергаются наибольшему риску ухода, мы можем лучше направить наши усилия по спасению. Например, мы можем обратиться к этим клиентам с помощью маркетинговой кампании, напоминая им, что они не покупали у нас какое-то время, или даже предлагая им преимущества.
Помимо того, что мы знаем, на каких клиентов нацеливаться, мы можем использовать модель оттока, чтобы рассчитать максимальную цену выгоды, которая все еще имеет смысл. Например, если мы знаем, что предполагаемая вероятность ухода конкретного клиента составляет 10%, а их годовой доход составляет 100 долларов, ожидаемое значение будущего годового дохода составляет 90 долларов. Следовательно, предложение, которое обычно снижает вероятность ухода до 5% (ожидаемая величина дохода в этом случае составляет 95 долларов США), будет полезным для этого клиента, если оно не будет стоить больше 5 долларов США.
Что нам нужно для модели оттока?
Как и любой модели машинного обучения с учителем, модели оттока нужны обучающие данные с ответом (цель) и независимыми переменными (функциями). На основе этих обучающих данных модель учится лучше всего фиксировать взаимосвязь между функциями и целью.
Как правило, это исторические данные, по которым мы знаем, какие клиенты в конечном итоге ушли, а какие нет. У тех, кто ушел, есть положительная цель (да, они ушли). У других отрицательная цель (нет, они не ушли). В то время как функции описывают клиентов в тот момент, когда этот результат еще не был известен.
Правильно определенная цель - ключ к успеху. Во многих случаях это просто (например, отмена последнего продукта), иногда в меньшей степени (например, отсутствие транзакций за последние три месяца). Однако можно применять модель оттока клиентов как к договорным (например, банк), так и к внеконтрактным (например, электронному магазину) отношениям с клиентами.
Функции включают в себя любые данные, которые могут помочь идентифицировать клиентов, которые уходят. Часто это социально-демографические данные, данные о принадлежащих товарах, исторические транзакции, взаимодействие между клиентом и компанией, поведение в электронной коммерции и т. Д.
Также важно внимательно следить за тем, насколько заранее мы хотим оценить склонность к уходу. Другими словами, сколько времени проходит между днем, когда мы просматриваем доступные функции клиентов, и днем, когда мы можем определить, ушли ли они? Если этого времени будет слишком мало, у нас не будет много времени, чтобы ответить. Если, с другой стороны, он будет слишком длинным, модель будет менее точной и актуальной.
Как выглядит такая модель?
Современные модели оттока часто основаны на машинном обучении; в частности, об упомянутых выше алгоритмах двоичной классификации. Таких алгоритмов несколько, и необходимо проверить, какой из них лучше всего подходит для конкретной ситуации (конкретные данные обучения, объем данных и т. Д.). Независимо от того, используете ли вы простые модели, такие как логистическая регрессия, более сложный случайный лес или GBM, или углубляетесь в нейронные сети, вам необходимо обратить внимание на следующие две вещи.
- Классификаторы имеют множество показателей производительности. Поскольку для большинства компаний отток очень низок, недостаточно посмотреть на точность модели оттока. Например, если отток составляет 10%, а модель оттока для всех клиентов говорит, что они не уйдут, точность будет 90%. Но это бесполезно. Таким образом, среди прочего, вам нужно посмотреть на чувствительность (сколько клиентов, которые фактически ушли, было обнаружено моделью) и точность (сколько клиентов, идентифицированных моделью, фактически ушли).
- Кроме того, не рекомендуется использовать полученную модель в качестве черного ящика. Скорее попытайтесь понять параметры, на основании которых принимаются решения. Это не только может выявить недостатки модели или данных, но также может быть очень полезной информацией для продуктовых и маркетинговых команд. Например, если мы знаем, что абсолютный размер скидки меньше влияет на отток, чем относительный размер скидки, мы можем использовать это для создания более эффективных кампаний и стратегий ценообразования.
Что дальше?
Как только у вас будет готова модель оттока, вам нужно включить ее в повседневную работу компании. Это включает в себя мониторинг, оценку и обновление на постоянной основе (будь то просто переобучение или даже добавление новых функций).
Следовательно, вы можете начать автоматически обнаруживать события, которые увеличивают склонность к уходу, на которые нужно реагировать как можно быстрее.
Консультанты по внешним данным могут помочь вам и в том, и в другом. Но будьте осторожны: для модели оттока клиентов (даже в большей степени, чем для других проектов, связанных с данными) крайне важно привлекать людей с опытом и пониманием конкретной ситуации в компании и отрасли.
Изначально статья была написана на чешском языке и опубликована в Блоге Bizztreat.
Как всегда, я бесконечно благодарен Челси Уилкинсон за терпеливое преобразование моих мыслей в пригодный для публикации формат.
Спасибо за внимание!
Не стесняйтесь делиться своими мыслями или мнениями в комментариях.
