Quelle est la différence entre la churn prevention et la prédiction du churn ?

La prédiction de churn estime la probabilité qu'un client parte dans un horizon et produit un score de risque. La prévention de churn sélectionne et délivre une intervention pour ce client et mesure l'effet incrémental par rapport à un groupe de contrôle. La prédiction décrit le monde ; la prévention le change.

Peux-tu prévenir le churn sans un modèle de prédiction ?

Oui. Un ensemble de règles bâti à partir de la dégradation de l'engagement, des déclassements, des paiements échoués et des escalades de support identifie la plupart des risques exploitables dans une base typique. Le modèle améliore le ciblage plus tard, mais la boucle, les traitements et le holdout produisent la valeur.

Pourquoi un modèle précis de churn ne réduit-il pas le churn ?

Parce que les clients les plus à risque ne sont pas nécessairement les plus persuasibles. Une grande partie d'entre eux ont déjà pris leur décision, donc les traiter dépense la marge sans changer le résultat. Les modèles d'uplift corrigent cela en prédisant l'effet du traitement plutôt que la probabilité de churn.

Qui est responsable de la prévention du churn ?

La data science possède les modèles et la conception de l'expérimentation. Le growth ou le marketing de lifecycle possèdent les traitements, les règles d'éligibilité et le budget. Le programme échoue si l'un ou l'autre côté le possède seul, car les scores sans actions et les actions sans contre-factuels ne produisent rien de mesurable.

Le rapport ROI Markin pour les équipes de Enterprise GrowthLire maintenant

MARKIN

Demander une démo

Notes de terrain

Guides7 sept. 20268 min de lecture

Prévention de churn vs prédiction de churn : la différence qui compte

La prédiction estime qui partira. La prévention décide quoi faire et prouve que cela a fonctionné. Pourquoi un excellent modèle de churn peut exister à côté d'une courbe de rétention plate.

Jonas Weber

#Résiliation
#Prédiction
#Prise de décision

Churn prevention vs churn prediction: the difference that matters

Points clés

Churn prediction estimates who is likely to leave; churn prevention decides what to do about it and proves the action changed the outcome. Prediction produces a risk score, prevention produces a ranked action plus a control group. A business can have an excellent churn model and a completely flat retention curve.

La prédiction répond à la question « qui est susceptible de partir ». La prévention répond à « que faire, pour qui, et si cela a fonctionné ».
Les modèles de propension classent le risque, pas la persuadabilité. Les modèles d'uplift classent le changement de churn causé par un traitement.
Construis la boucle avant le modèle : un ensemble de règles rudimentaires avec deux traitements concurrents et un holdout enseigne plus en six semaines qu'un modèle ajusté sans distribution.

Prédiction de la résiliation estime qui est susceptible de partir. Prévention du churn décide ce qu'il faut en faire et prouve que l'action a changé le résultat. La prédiction répond à une question sur le monde tel qu'il est ; la prévention est une intervention qui le modifie. Une entreprise peut avoir un excellent modèle de churn et une courbe de rétention plate, et c'est le cas normal, pas l'exception.

La différence en un tableau

	Prédiction de la résiliation	Prévention du churn
Question	Qui est susceptible de partir ?	Que devrions-nous faire, pour qui, et est-ce que cela a fonctionné ?
Output	Un score de risque par client	Une action classée par client, plus un holdout
Classe de modèle	Propension (arbres à boosting de gradient)	Uplift (T-, X-, R-learner) plus arbitrage
Métrique de succès	AUC, précision, rappel, calibration	Marge incrémentale retenue par rapport au contrôle
Propriétaire	Data science	growth ou lifecycle, avec data science
Mode de défaillance	Des scores précis sur lesquels personne n'agit	Action entreprise sans contre-factuel

Pourquoi un bon modèle ne réduit pas le churn

Un modèle de propension classe les clients par probabilité de départ. Ce classement ne dit rien sur la persuadabilité. Le décile le plus à risque contient généralement un grand groupe de clients qui ont déjà pris leur décision, dont l'avis ne sera pas changé par une offre, et un groupe plus restreint dont la décision est encore ouverte. Dépenser le budget de rétention sur le premier groupe est le moyen le plus courant de gérer un programme vaste, très occupé et non rentable.

L'uplift modelling corrige la cible. Au lieu de prédire le churn, il prédit le changement de churn causé par un traitement, ce qui divise la base en persuadables, cas sûrs, causes perdues et sleeping dogs, ces derniers étant des clients plus susceptibles de partir en étant contactés. Les mécanismes sont expliqués dans machine learning pour le churn prediction.

Comment ils s'articulent

1Prédire Calcule le risque sur un horizon fixe avec des fonctionnalités gelées, afin que rien du futur ne s'infiltre dans l'ensemble d'entraînement.
2Attribute the cause Regroupe les clients à risque selon la raison pour laquelle ils sont à risque. La cause définit les traitements éligibles.
3Rank actions by uplift Pour chaque traitement éligible, estime l'effet incrémental et le coût, puis choisis celui avec la marge retenue attendue la plus élevée.
4Hold back a control Cinq à quinze pour cent des clients ayant le même score ne reçoivent rien, en permanence, par traitement.
5Read the result and act on it Développe ce qui est incrémental, élimine ce qui est stable et réinjecte les données d'expérimentation dans le modèle d'uplift.

Questions qui les séparent en pratique

1Can you name the action? Si la réponse à un indicateur de risque est un rapport, tu n'as que de la prédiction.
2Is there an untreated group? Si chaque client à risque est traité, aucun chiffre de sauvegarde que tu rapportes n'est défendable.
3Do you know your cost per save? Un taux d'économie sans coût n'est que vanité. La marge incrémentale retenue est le chiffre que l'équipe financière acceptera.
4How long from signal to action? Des semaines de latence transforment une bonne prédiction en post-mortem.

Lequel devrais-tu construire en premier ?

Construis la boucle avant de construire le modèle. Un ensemble de règles rudimentaires (déclin de l'engagement plus une dégradation plus une escalade du support) acheminé vers deux traitements concurrents avec un holdout t'apprendra plus en six semaines qu'un modèle à gradient boosting bien ajusté sans distribution. Une fois la boucle en marche, la qualité du modèle commence à se composer, car chaque expérimentation produit les données d'effet de traitement dont les modèles uplift ont besoin et que les modèles de propension ne génèrent jamais seuls.

Markin exécute les deux moitiés : la détection des risques sur ton entrepôt de données, puis l'hypothèse, l'action candidate, l'expérimentation et un holdout préservé. Voir Decisioning de rétention ou lire ce qu'est la prévention du churn.

Questions fréquentes

Questions que les lecteurs se posent à ce sujet.

Quelle est la différence entre la churn prevention et la prédiction du churn ?: La prédiction de churn estime la probabilité qu'un client parte dans un horizon et produit un score de risque. La prévention de churn sélectionne et délivre une intervention pour ce client et mesure l'effet incrémental par rapport à un groupe de contrôle. La prédiction décrit le monde ; la prévention le change.
Peux-tu prévenir le churn sans un modèle de prédiction ?: Oui. Un ensemble de règles bâti à partir de la dégradation de l'engagement, des déclassements, des paiements échoués et des escalades de support identifie la plupart des risques exploitables dans une base typique. Le modèle améliore le ciblage plus tard, mais la boucle, les traitements et le holdout produisent la valeur.
Pourquoi un modèle précis de churn ne réduit-il pas le churn ?: Parce que les clients les plus à risque ne sont pas nécessairement les plus persuasibles. Une grande partie d'entre eux ont déjà pris leur décision, donc les traiter dépense la marge sans changer le résultat. Les modèles d'uplift corrigent cela en prédisant l'effet du traitement plutôt que la probabilité de churn.
Qui est responsable de la prévention du churn ?: La data science possède les modèles et la conception de l'expérimentation. Le growth ou le marketing de lifecycle possèdent les traitements, les règles d'éligibilité et le budget. Le programme échoue si l'un ou l'autre côté le possède seul, car les scores sans actions et les actions sans contre-factuels ne produisent rien de mesurable.

Ressources associées

Solutions

Secteurs

Le voir dans le produit

Ceci est exécuté dans Markin aujourd'hui.

Les mêmes boucles que cette note décrit fonctionnent 24 heures sur 24, 7 jours sur 7, sur ta base de clients. Observe l'espace de travail décider, expérimenter et exécuter en 1:1.

Explorer la démo Ou réservez une démo avec l'équipe

Vocabulaire