nomad+22%
YuppTVStreaming
Wie YuppTV die churn intent früh genug erkennt, um das Ergebnis zu ändern
+18%
retention · gemessen an einem randomisierten holdout
Kurz gesagt
Die Kündigungen von YuppTV wurden lange vor dem Kündigungs-Button entschieden. Markin erkennt den Rückgang der Viewing-Tiefe, der Katalogpassung und der Zahlungsreibung, der ihr vorausgeht, und handelt, während das Ergebnis noch änderbar ist, wodurch die retention bei den behandelten Kohorten um 18 % gegenüber einem randomisierten holdout gesteigert wird.
Ergebnisse
Jede Entscheidung beinhaltet eine control group+18%
Retention bei behandelten Kohorten
vs. randomisierten holdout, volles Messfenster
-27%
Unfreiwilliger churn
Behandlung von Zahlungsausfällen als Entscheidung, nicht als Mahnsequenz
+9%
ARPU
aus der Planübereinstimmung, nicht aus Preiserhöhungen
Anonymisierter Bereich über Markin-Implementierungen in großen B2C-Basen, gemessen über ein vollständiges Messfenster. Es ist keine Branchenbenchmark und keine Prognose für deine Basis.
Auf einen Blick
- Branche
- Streaming / OTT
- Märkte
- Globale Diaspora-Zielgruppe
- Basis
- Millionen von Abonnenten über alle Tarifstufen hinweg
- Bewegungen live
- Churn prevention, plan fit, dunning, win-back
- Stack
- Warehouse, product events, Braze, Recurly, Kontaktcenter
- Erster gemessener uplift
- Woche 7
Die Herausforderung
YuppTV kannte seine churn rate auf die Dezimalstelle genau und konnte fast nichts dagegen tun. Das Modell kennzeichnete Abonnenten in der letzten Woche des Zyklus als hohes Risiko, als die Entscheidung bereits getroffen war und der einzige verbleibende Hebel ein Rabatt war.
Das wahre Signal war früher und leiser: sinkende Ansichtstiefe der Inhalte, die das ursprüngliche Abonnement ausgelöst hatten, eine Verlagerung zu kürzeren Sessions, eine fehlgeschlagene Karte, die ungelöst blieb, ein Tarif, der Kanäle enthielt, die niemand im Haushalt ansah.
Diese Signale befanden sich in verschiedenen Systemen, änderten sich ständig und erforderten jedes Mal eine andere Aktion. Eine retention-Kampagne behandelt sie alle als eine Zielgruppe und bezahlt für diejenigen, die ohnehin nie gegangen wären.
Was Markin getan hat
Data and context, intelligence, action01 / Data & context
Anzeige, Abrechnung und Support in einer Ansicht
Markin liest Wiedergabe-Events, Katalog-Metadaten, Tarifhistorie und Zahlungsstatus direkt aus den Systemen von YuppTV, sodass intent Signale zusammen statt dashboardweise ausgewertet werden.
02 / Intelligenz
Absicht, nicht ein Risikoscore
Anstatt jeden wöchentlich zu bewerten, bildet die Intelligenz-Ebene Hypothesen darüber, warum ein bestimmter Haushalt die Interaktion einstellt, bewertet jede einzelne und schlägt eine Aktion vor, die zur Ursache passt: Katalog, Plan, Preis oder Zahlung.
03 / Aktion
Die günstigste Aktion, die funktioniert
Content-recommendations, Planänderungen, Kartenaktualisierungen und, nur wenn nichts anderes die Hürde nimmt, ein retention-Angebot. Jede action läuft gegen einen holdout, sodass YuppTV sehen kann, was ein discount tatsächlich gebracht hat.
Durchgeführte Experimente
Hypothesis to measured lift| Hypothese | Segment | Aktion | Kanal | Gemessener uplift |
|---|---|---|---|---|
| Abonnenten stellen die Interaktion ein, wenn der Inhalt, der sie gewonnen hat, endet | Haushalte mit einem Rückgang der wöchentlichen Sehtiefe um 40 %+ | Re-onboarding des Katalogs um angrenzende Titel, kein Angebot | Push + In-App-Zeile | +11 % retention |
| Unfreiwilliger churn ist ein Entscheidungsproblem, kein Mahnproblem | Fehlgeschlagene Zahlungen mit hoher Beteiligung | Kartenaktualisierung zeitlich auf eine Betrachtungssitzung abgestimmt, Wiederholungsversuch um den Zahltag herum geplant | In-app + SMS | -27 % unfreiwillige churn |
| Einige Stornierungen sind Plan-Fehlpaarungen, nicht die Absicht zu gehen | Abonnenten, die ein Drittel ihres Tiers nutzen | Downgrade vor der Stornierung angeboten, upgrade für diejenigen, die zu viel konsumieren | Konto + E-Mail | +9 % ARPU |
| Pauschale Sparangebote bezahlen Abonnenten, die ohnehin geblieben wären | Hochrisikofahnen mit stabilem Sehverhalten | Angebot zurückhalten, gegen Kontrollgruppe messen | Keine | Rabattausgaben reduziert, retention unverändert |
Wie es ausgerollt wurde
Woche 0
Signale verbunden
Playback-, Abrechnungs- und Supportdaten schreibgeschützt verbunden. Historische Stornierungen erneut abgespielt, um die Signale zu finden, die ihnen tatsächlich vorausgehen.
Woche 3
Erste motion live
Das Katalog-Re-onboarding wird beim disengagement Signal aktiviert, mit einem holdout bei jeder decision.
Woche 7
Erster lesbarer uplift
Retention zeigt +11 % bei der behandelten Kohorte. Pauschale Sparangebote wurden eingestellt, da sie die Kontrolle nicht übertrafen.
Woche 12
Vier motions in Produktion
Churn prevention, plan fit, dunning und win-back laufen kontinuierlich, wobei die Ergebnisse wöchentlich mit der control Gruppe verglichen werden.
Mit ihren Worten
“Wir haben aufgehört, für die Bindung von Abonnenten zu zahlen, die ohnehin nicht gekündigt hätten, und haben stattdessen begonnen, diejenigen zu erreichen, die es getan hätten.”
Retention Lead, YuppTV
Der Stack, mit dem Markin gearbeitet hat
No migration, no new system of recordFragen, die Käufer zu diesem Fall stellen
Wie unterscheidet sich das von einem churn-Vorhersagemodell?
Ein Score sagt dir, wer gefährdet ist. Er sagt dir nicht warum, was du dagegen tun sollst oder ob die Aktion funktioniert hat. Markin bildet pro Haushalt eine Hypothese, wählt die günstigste Kandidatenaktion, die die Ursache behebt, und beweist sie gegen einen holdout.
How was the YuppTV result measured?
Jede Entscheidung beinhaltet eine randomisierte holdout-Gruppe. Der angegebene uplift ist die Differenz zwischen der behandelten Kohorte und dieser Kontrollgruppe über ein vollständiges Messfenster, nicht ein Vorher-Nachher-Vergleich.
Mussten sie ihre Daten zu Markin verschieben?
Nein. Markin liest aus dem Warehouse, CDP und den bereits vorhandenen product events. Nichts wird in ein neues System kopiert und nichts ist eingeschlossen.
Welches Team hat es täglich geleitet?
Das bestehende growth-Team. Markin übernimmt die analytische Arbeit, ein streaming Team dieser Größe bräuchte einen dedizierten data-science-Pod, um dies zu produzieren, und leitet jede Aktion in die Tools, die sie bereits verwenden.
Wie lange dauert es, bis der erste messbare uplift eintritt?
Eine erste Motion geht in etwa 30 Tagen live und das erste statistisch lesbare Ergebnis liegt innerhalb der folgenden sechs Wochen vor. Skalierter impact ist typischerweise nach 90 Tagen ablesbar.
