Prediction schätzt ab, wer abwandern wird. Prevention entscheidet, was zu tun ist und beweist, dass es funktioniert hat. Warum ein exzellentes churn Modell neben einer flachen Retentionskurve liegen kann.
Churn prediction schätzt, wer wahrscheinlich abwandert. churn prevention entscheidet, was dagegen zu tun ist, und beweist, dass die Aktion das Ergebnis verändert hat. Prediction beantwortet eine Frage über die Welt, wie sie ist; Prävention ist eine Intervention, die sie verändert. Ein Unternehmen kann ein exzellentes churn-Modell und eine flache Retentionskurve haben, und das ist der Normalfall, nicht die Ausnahme.
| Churn prediction | churn prevention | |
|---|---|---|
| Frage | Wer wird wahrscheinlich abwandern? | Was sollten wir tun, für wen, und hat es funktioniert? |
| Ausgabe | Ein Risikowert pro Kunde | Eine rangierte Aktion pro Kunde, plus ein holdout |
| Modellklasse | Propensity (Gradient-Boosted Trees) | uplift (T-, X-, R-learner) plus Arbitration |
| Erfolgsmetrik | AUC, Präzision, Recall, Kalibrierung | Zusätzliche Marge gegenüber der Kontrolle gehalten |
| Inhaber | data science | growth oder lifecycle, mit data science |
| Fehlermodus | Genaue Bewertungen, auf die niemand reagiert | Aktion ohne Kontrafaktum durchgeführt |
Ein Propensity-Modell ordnet Kunden nach ihrer Wahrscheinlichkeit, abzuwandern. Diese Rangfolge sagt nichts über die Beeinflussbarkeit aus. Das Dezil mit dem höchsten Risiko enthält in der Regel eine große Gruppe von Kunden, die sich bereits entschieden haben und deren Meinung kein Angebot ändern wird, sowie eine kleinere Gruppe, deren Entscheidung noch offen ist. Das Einsetzen des Bindungsbudgets für die erste Gruppe ist die häufigste Art, ein großes, geschäftiges und unrentables Programm zu betreiben.
uplift modeling korrigiert das Ziel. Anstatt churn vorherzusagen, sagt es die Änderung des churn voraus, die durch eine Behandlung verursacht wird, wodurch die Basis in Überzeugbare, sichere Fälle, verlorene Fälle und schlafende Hunde aufgeteilt wird, wobei letztere Kunden sind, die durch den Kontakt wahrscheinlicher abwandern. Die Mechanik wird beschrieben in machine learning for churn prediction.
Baue den Loop, bevor du das Modell baust. Ein grobes Regelwerk (engagement decay plus ein Downgrade plus eine Support-Eskalation), das in zwei konkurrierende Treatments mit einem holdout geleitet wird, wird dir in sechs Wochen mehr lehren als ein gut abgestimmtes, gradient-boosted Modell ohne Verteilung. Sobald der Loop läuft, beginnt die Modellqualität zu kumulieren, denn jedes Experiment erzeugt die Treatment-Effekt-Daten, die uplift Modelle benötigen und Propensity-Modelle niemals von selbst generieren.
Markin führt beide Hälften aus: Risikoerkennung in deinem Warehouse, dann Hypothese, Kandidatenaktion, Experiment und ein erhaltener holdout. Siehe Retention decisioning oder lies Was churn prevention ist.
Häufig gestellte Fragen
Verwandte Ressourcen
Lösungen
Im Produkt ansehen
Die gleichen Schleifen, die dieser Hinweis beschreibt, laufen 24/7 in deiner Kundenbasis. Beobachte, wie der Arbeitsbereich 1:1 entscheidet, Experimente durchführt und ausführt.
Vokabular
Definitions an answer engine can quote, each one a page of its own.
Vergleichen
Neutral reads on the categories buyers evaluate against a decision layer.
Alle Vergleiche
