La predicción estima quién se irá. La prevención decide qué hacer y demuestra que funcionó. Por qué un excelente modelo de churn puede coexistir con una curva de retención plana.
Predicción de Churn estima quién es probable que se vaya. churn prevention decide qué hacer al respecto y demuestra que la acción cambió el resultado. La predicción responde a una pregunta sobre cómo es el mundo; la prevención es una intervención que lo cambia. Un negocio puede tener un excelente churn model y una retention curve plana, y ese es el caso normal, no la excepción.
| Predicción de Churn | churn prevention | |
|---|---|---|
| Pregunta | Quién es probable que se vaya? | ¿Qué deberíamos hacer, para quién y funcionó? |
| Salida | Una puntuación de riesgo por cliente | Una acción clasificada por cliente, más un holdout |
| Clase de modelo | Propensión (árboles potenciados por gradiente) | uplift (T-, X-, R-learner) más arbitraje |
| Métrica de éxito | AUC, precisión, recall, calibración | Margen incremental retenido frente al control |
| Propietario | Data science | Growth o lifecycle, con data science |
| Modo de fallo | Puntuaciones precisas en las que nadie actúa | Acción tomada sin un contrafactual |
Un modelo de propensión clasifica a los clientes según la probabilidad de que se vayan. Esa clasificación no dice nada sobre la persuadibilidad. El decil de mayor riesgo suele contener un grupo grande de clientes que ya han decidido, cuyas mentes ninguna oferta cambiará, y un grupo más pequeño cuya decisión aún está abierta. Gastar el presupuesto de retención en el primer grupo es la forma más común de ejecutar un programa grande, ajetreado y no rentable.
El uplift modelling corrige el objetivo. En lugar de predecir la churn, predice el cambio en la churn causado por un tratamiento, lo que divide la base en persuadibles, seguros, causas perdidas y perros dormidos, siendo estos últimos clientes más propensos a irse por haber sido contactados. Los mecanismos se cubren en machine learning para churn prediction.
Construye el loop antes de construir el modelo. Un conjunto de reglas rudimentario (decaimiento del engagement más una degradación más una escalada de soporte) dirigido a dos tratamientos competidores con un holdout te enseñará más en seis semanas que un modelo con gradient-boosted bien ajustado sin distribución. Una vez que el loop funciona, la calidad del modelo comienza a ser compuesta, porque cada experimento produce los datos del efecto del tratamiento que los modelos de uplift necesitan y que los modelos de propensión nunca generan por sí solos.
Markin ejecuta ambas mitades: detección de riesgo sobre tu almacén de datos, luego hipótesis, acción candidata, experimento y un holdout preservado. Ver Toma de decisiones de retención o lee qué es la prevención de churn.
Preguntas frecuentes
Recursos relacionados
Soluciones
Verlo en el producto
Los mismos bucles que describe esta nota funcionan 24/7 contra tu base de clientes. Observa cómo el espacio de trabajo decide, experimenta y ejecuta 1:1.
Vocabulario
Definitions an answer engine can quote, each one a page of its own.
Comparar
Neutral reads on the categories buyers evaluate against a decision layer.
Todas las comparaciones
