Churn prevention bedeutet, Risiko zu erkennen, die Intervention mit dem höchsten inkrementellen Effekt auszuwählen und nachzuweisen, dass sie gegen einen holdout funktioniert hat. So läuft der Zyklus.
churn prevention ist die Praxis, das Risiko zu erkennen, dass ein Kunde gehen wird, die intervention mit dem höchsten erwarteten incremental effect auf diesen spezifischen Kunden auszuwählen und sie früh genug auszuführen, um das Ergebnis zu ändern. Es ist eine decisioning Disziplin, keine Kampagne: Der Wert ergibt sich aus der Auswahl der richtigen action pro Kunde, nicht aus der Kontaktaufnahme mit jedem, der gefährdet aussieht.
Die meisten Teams haben bereits irgendwo einen Risikowert. Weitaus weniger haben einen Loop, der diesen Wert in eine Aktion umwandelt, einen Teil der Population zurückhält, um zu beweisen, dass die Aktion funktioniert hat, und unwirksame Behandlungen zurückzieht. Dieser Loop wird in diesem Artikel beschrieben.
Zwischen 20 und 40 Prozent der Kündigungen in Abo-Geschäften sind fehlgeschlagene Zahlungen, keine Entscheidungen. Intelligente Wiederholungsversuche nach Ablehnungscode, Konto-Aktualisierer und vor Ablauf der Karte vorgenommene Kartenaktualisierungen kosten keine Marge und benötigen kein Modell. Führe diese ein, lege eine neue Baseline fest und arbeite dann an absichtsbasierter churn. Die operativen Details findest du unter Mahnwesen best practices.
Zwei Konten mit einem Risiko von 0,7 benötigen unterschiedliche Dinge: Eines hat die Funktion, für die es das Produkt gekauft hat, nie aktiviert, das andere zahlt für Kapazität, die es nicht mehr nutzt. Ein Onboarding-Anstoß hilft dem ersten und beleidigt den zweiten. Segementiere Behandlungen immer nach der Ursache.
Das Zeitfenster, in dem eine Rettung günstig ist, sind Wochen, bevor sich die Kündigungsabsicht bildet. Bis jemand den Kündigungs-Flow erreicht, sind die einzigen verbleibenden Hebel teure. Deflection ist immer noch wichtig, und Design des Stornierungs-Flows Rechtfertigt seinen Aufwand, ist aber die letzte Instanz, nicht das Programm.
Angebote nach uplift-gewichteter Marge ordnen. In den meisten Fällen landen ein Drittel der 'Save'-Angebote bei Kunden mit negativem uplift: Das Angebot erinnert sie daran, dass Weggehen eine Option war. Uplift modelling ist der einzige Weg, dies zu erkennen, und es benötigt experiment Daten, weshalb die Messung Teil des Designs und keine Phase am Ende ist.
Save offers zerfallen. Ein win-back-Gutschein, der im ersten Quartal 6 Punkte incrementale retention erzielte, liegt im dritten Quartal oft nur noch bei 2, da die Population, auf die er wirkt, erschöpft ist. Überprüfe jede Live-Behandlung monatlich gegen ihren holdout und stelle die flachen ein.
Drei Fehlerursachen erklären die meisten enttäuschenden Programme. Die erste ist, die Punktzahl als Produkt zu behandeln: ein Dashboard für Risiken, bei dem niemand für die Aktion verantwortlich ist. Die zweite ist eine Behandlung für alle, meist ein Rabatt, der ein retention-Problem in ein Preisproblem verwandelt. Die dritte ist die Messung von Rückgewinnungen ohne Counterfactual, was es unmöglich macht, die Dinge, die nicht funktionieren, einzustellen.
Markin erkennt das risk Signal, formuliert die Hypothese, ordnet die candidate actions nach erwarteter inkrementeller Marge und hält automatisch eine Kontrollgruppe zurück. Siehe Retention decisioning oder die streaming view.
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
