Прогноз и контроль оттока клиентов с помощью машинного обучения

Машинное обучение

В этом посте мы покажем вам, как прогнозировать и контролировать отток клиентов с помощью машинного обучения в инструменте визуализации данных.

Отток клиентов – важный показатель для любой коммерческой компании (и даже некоторых некоммерческих) из-за того, что потерянные клиенты – это прямая потеря дохода. Кроме того, еще больше усугубляет эту потерю тот факт, что стоимость приобретения нового клиента обычно выше, чем удержание текущего клиента. Когда мы теряем клиентов в современном мире мгновенных новостей и социальных сетей репутация компании также может оказаться под угрозой.

Традиционная и расширенная аналитика

Традиционные аналитические инструменты могут помочь нам понять, кто попал в отток и связанную с этим потерю дохода. И то, и другое – важные показатели, здесь важно не застрять, оглядываясь назад и пытаясь догадаться, как уменьшить отток клиентов. Когда мы внедряем передовую аналитику, мы можем начать смотреть вперед и отвечать на важные вопросы, такие как «кто подвержен риску оттока?» и «почему клиенты уходят?» В конечном счете, мы хотим достичь фазы «предписывающей аналитики», т.е. «что я могу сделать с оттоком клиентов, прежде чем он произойдет?»

 

Пример сценария: отток клиентов в телекоммуникационной компании

Отток клиентов – это сложная проблема для телекоммуникационных компаний B2C, потому что целевой рынок огромен, у потребителей есть несколько альтернативных вариантов выбора, а в конкурентных предложениях мало отличий. В следующем примере мы используем комбинацию традиционной и продвинутой аналитики, чтобы проанализировать набор примеров данных телекоммуникационных компаний, чтобы понять, как уходят клиенты данной компании и как они могли контролировать отток клиентов.

Примечание: следующие скриншоты взяты из Qlik Sense, но те же результаты можно сделать и в других инструментах визуализации данных. Основное внимание здесь уделяется не технологиям, а скорее комбинированию традиционной и продвинутой аналитики для ответа на очень важные для бизнеса вопросы.

На изображении ниже представлена довольно типичная панель управления на уровне руководителей, в которой показаны показатели эффективности оттока клиентов. Каскадный график слева показывает доллары, связанные с текущими или потерянными клиентами, а справа мы видим количество клиентов.

Традиционная аналитика: обзор оттока клиентов за последний месяц

 

Информационная панель быстро представляет нам мрачную историю: количество клиентов, которые покидают нашу клиентскую базу превышает количество пополняющих ее, как в необработанном виде, так и в долларах. В правом верхнем углу мы также видим, что ценность уходящих клиентов выше, чем ценность новых клиентов. Таким образом, проблема не только в оттоке, но и в профиле клиентов, которые уходят и входят в клиентскую базу.

На этом этапе те, кто анализирует эти данные, обычно идут на один-два уровня глубже и получают срезы данных по различным атрибутам и измерениям, чтобы понять, что вызывает такие проблемы. Вот развернутая информационная панель инструментов, показывающая больше различных деталей.

Традиционная аналитика: данные оттока клиентов за последний месяц

 

График вверху этого изображения показывает распределение – те, кто ушли, представлены красным, а те, кто остался – синим. Чем больше разброс, тем меньше отток, и наоборот – чем меньше разброс, тем больше отток (что указывает на проблему).

Вот еще некоторые вещи, представленные здесь: низкий отток среди клиентов с 2-летними контрактами и высокий отток среди клиентов с месячными контрактами. Мы также видим, что категория месячных клиентов представляет самую высокую ценность среди тех клиентов, которые представлены на графике. Учитывая эту информацию, мы не можем компенсировать ежемесячные контракты; нам нужно копать глубже, чтобы понять общий профиль тех клиентов, которые уходят, а не тех, кто остается.

На этой панели показаны клиенты с разбивкой по типу интернет-услуг, которые они используют.

Традиционная аналитика: сведения о типе интернет-сервиса

 

Это показывает, что клиенты по DSL довольно лояльны, а вот клиенты по оптоволоконной связи имеют больше шансов на отток. Опять же, мы не можем смотреть на эти данные в вакууме – это не означает, что те, кто заказывает связь по оптоволокну плохие, потому что у потребителей телекоммуникационных услуг есть много других атрибутов.

На этой панели показаны клиенты с разбивкой по типу оплаты.

Традиционная аналитика: разбивка по типам платежей

 

Те, кто выставил автооплату и почтовые чеки лояльны, но клиенты, которые платят с помощью электронных чеков, показывают гораздо большую вероятность оттока.

Несмотря на все важные данные, которые мы получаем от наших инструментов визуализации данных, нам все еще нужно понять, как все атрибуты клиента работают в сочетании, и как это влияет на отток клиентов. Даже самые сложные инструменты визуализации данных не могут представить данные таким образом, чтобы мы смогли все это понять, потому что человеческий мозг не может анализировать несколько измерений одновременно. Несмотря на то, что мы обнаружили некоторую интересную информацию, мы все еще не достигли цели – понять, почему клиенты уходят.

 

Введение в машинное обучение в данных

Если наш мозг не может работать на том уровне, который необходим, чтобы опередить отток клиентов, машинное обучение сможет помочь нам в этом. Машинное обучение не волшебник – всё, что оно делает, это ищет закономерности в предоставленных данных. В этой демо модели, мы хотим увидеть вероятностную информацию об оттоке для каждого клиента. Мы определили это число достоверности оттока в диапазоне от 0 к 1; чем ближе к 1, тем больше вероятность того, что человек уйдет.

Модель машинного обучения оценивает данные и добавляет число достоверности оттока

 

С помощью этой новой отправной точки в нашем инструменте обработки данных мы можем создавать новые визуализации, которые помогут нам предвидеть отток с определенной степенью достоверности. Руководитель также может выполнить анализ в формате «что, если» с этой информацией. Мы можем установить пороговые значения достоверности оттока на более высокий и более низкий уровень (в зависимости от того, насколько оптимистично мы себя чувствуем), чтобы увидеть, как прогнозы оттока влияют на такие показатели, как общее количество клиентов и доход.

Пороговые значения доверительной вероятности позволяют проводить анализ «что, если»

 

Идем дальше – каков профиль наших лояльных и постоянных клиентов?

Наряду с числом достоверности оттока, та модель, которую мы применили к нашим данным, предоставляет нам детальную информацию об атрибутах клиентов.

Модель машинного обучения предоставляет подробную информацию об атрибутах для каждого клиента

 

Это невероятно полезные данные, но здесь невозможно выделить никаких закономерностей. Таблица говорит нам, что это самые лояльные клиенты, но почему так, понять пока трудно. Таким образом, вместо того, чтобы модель машинного обучения выдавала хороший уровень детализации и оценивала каждого клиента отдельно, мы можем попросить ее определить шаблоны и создать для нас группы профилей клиентов.

Модели машинного обучения могут автоматически создавать логические группировки и ассоциации

 

Теперь у нас есть четкие профили наиболее вероятных клиентов и наиболее лояльных клиентов. С данными, которые организованы таким образом, бизнес может начать предпринимать действия – менеджеры продуктов смогут использовать это при рассмотрении новых функций продукта и пакета, а у службы маркетинга будет необходимая информация для нужной аудитории с соответствующим обменом сообщениями.

 

Больше вопросов к данным

В этом примере мы рассмотрим один из вопросов, которые мы могли бы задать по нашим данным – что из себя представляет профиль лояльного клиента по сравнению с тем, который может уйти. Используя машинное обучение есть бесконечное множество вопросов, которые мы можем исследовать. Например, имея под рукой информацию о клиенте, напрашивается следующий вопрос: кто будет реагировать на наши маркетинговые кампании и по каким каналам? Вот еще примеры вопросов, которые мы можем задать относительно данных для прогнозирования и контроля оттока клиентов:

  • Что делают мои постоянные клиенты с услугой «только по телефону»?
  • Как определить «дорогого» покупателя? Возможно, это не тот клиент, который платит больше в течение месяца; а тот, который платит больше за более продолжительный промежуток времени.
  • Каких ежемесячных клиентов мы хотим?
  • Каковы предупреждающие признаки того, что клиент находится в зоне риска?
  • Что должны предложить представители сервисной службы клиентам, которые хотят уйти?
  • Какие клиенты требуют активного внимания?
  • Какие изменения в поведении имеют наименьшее трение?
  • Насколько чувствительны наши клиенты к цене?

Все эти вопросы можно детально изучить с помощью традиционных информационных панелей, и вы даже сможете найти ответы на некоторые вопросы проведя несколько часов/дней/недель изнурительного поиска; машинное обучение поможет найти нужные ответы в разумные сроки. Так же, как и ваши модели машинного обучения со временем созревают, так же созревают и ваши наборы данных. Важно продолжать расширять свои данные, чтобы ответить на дополнительные вопросы, чтобы идентифицировать такие проблемы, как отток клиентов, прежде чем они окажут негативное влияние на бизнес.

 

Вы можете оставить комментарий, или ссылку на Ваш сайт.

Оставить комментарий

54 queries in 0,211 seconds