Qual è la differenza tra churn prevention e churn prediction?

La churn prediction stima la probabilità che un cliente se ne vada entro un orizzonte e produce un risk score. La churn prevention seleziona e offre un intervento per quel cliente e misura l'incremental effect rispetto a un control group. La prediction descrive il mondo; la prevention lo cambia.

Puoi prevenire il churn senza un modello di prediction?

Sì. Un set di regole costruito dal decadimento dell'engagement, dai downgrade, dai pagamenti falliti e dalle escalation del supporto identifica la maggior parte del rischio azionabile in una base tipica. Il modello migliora il targeting in seguito, ma il loop, i trattamenti e il holdout producono il valore.

Perché un modello accurato di churn non riduce il churn?

Perché i clienti a più alto rischio non sono necessariamente i più persuadibili. Una gran parte di loro ha già deciso, quindi trattarli consuma margini senza cambiare il risultato. I modelli di uplift risolvono questo problema prevedendo l'effetto del trattamento piuttosto che la probabilità di churn.

Chi è responsabile della churn prevention?

La data science si occupa dei modelli e della progettazione degli esperimenti. Il growth o lifecycle marketing si occupa dei trattamenti, delle regole di eleggibilità e del budget. Il programma fallisce quando una delle due parti lo gestisce da sola, perché i punteggi senza azioni e le azioni senza controfattuali non producono nulla di misurabile.

Il Markin ROI Report per Enterprise Growth TeamsLeggi ora

MARKIN

Prenota una demo

Note di campo

Guide07 settembre 20268 min di lettura

Churn prevention vs churn prediction: la differenza che conta

La prediction stima chi se ne andrà. La prevention decide cosa fare e ne prova l'efficacia. Perché un ottimo modello di churn può coesistere con una curva di retention piatta.

Jonas Weber

#Churn
#Previsione
#Decisioning

Churn prevention vs churn prediction: the difference that matters

Punti chiave

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 prediction risponde a chi è probabile che vada via. La prevention risponde a cosa fare, per chi, e se ha funzionato.
I modelli di propensity classificano il rischio, non la persuasibilità. I modelli di uplift classificano il cambiamento nel churn causato da un trattamento.
Costruisci il loop prima del modello: un set di regole grezze con due trattamenti in competizione e un holdout insegna di più in sei settimane rispetto a un modello ottimizzato senza distribuzione.

Previsione del churn stima chi è probabile che abbandoni (churn). Churn prevention decide cosa fare e dimostra che l'azione ha cambiato il risultato. La previsione risponde a una domanda sul mondo così com'è; la prevenzione è un intervento che lo cambia. Un'azienda può avere un eccellente modello di churn e una curva di ritenzione piatta, e questo è il caso normale, non l'eccezione.

La differenza in una tabella

	Previsione del churn	Churn prevention
Domanda	Chi è probabile che se ne vada?	Cosa dovremmo fare, per chi, e ha funzionato?
Output	Un punteggio di rischio per cliente	Un'azione classificata per cliente, più un holdout
Classe del modello	Propensity (gradient-boosted trees)	Uplift (T-, X-, R-learner) più arbitrato
Metrica di successo	AUC, precision, recall, calibrazione	Margine incrementale mantenuto rispetto al controllo
Proprietario	Data science	Growth o lifecycle, con data science
Modalità di errore	Punteggi accurati su cui nessuno agisce	Azione intrapresa senza un controfattuale

Perché un buon modello non riduce il churn

Un modello di propensione classifica i clienti in base alla probabilità di abbandono. Questa classificazione non dice nulla sulla persuadibilità. Il decile a più alto rischio di solito contiene un ampio gruppo di clienti che hanno già deciso, la cui opinione nessun'offerta cambierà, e un gruppo più piccolo la cui decisione è ancora aperta. Spendere il budget di retention sul primo gruppo è il modo più comune per gestire un programma ampio, impegnativo e non redditizio.

L'uplift modelling corregge l'obiettivo. Invece di predire il churn, predice il cambiamento del churn causato da un trattamento, che divide la base in persuadibili, certezze, cause perse e cani che dormono, questi ultimi sono clienti resi più propensi a andarsene essendo contattati. I meccanismi sono trattati in machine learning for churn prediction.

Come si adattano insieme

1Prevedere Valuta il rischio su un orizzonte fisso con funzionalità congelate, in modo che nulla dal futuro possa filtrare nel set di training.
2Attribute the cause Raggruppa i clienti a rischio in base al motivo per cui sono a rischio. La causa definisce quali trattamenti sono persino idonei.
3Rank actions by uplift Per ogni trattamento idoneo, stima l'effetto incrementale e il costo, quindi scegli quello con il più alto margine atteso mantenuto.
4Hold back a control Dal 5 al 15 percento dei clienti con punteggio uguale non riceve nulla, permanentemente, per trattamento.
5Read the result and act on it Scala ciò che è incrementale, elimina ciò che è piatto e reimmetti i dati dell'esperimento nel modello di uplift.

Domande che separano i due nella pratica

1Can you name the action? Se la risposta a un flag di rischio è un report, hai solo la predizione.
2Is there an untreated group? Se ogni cliente a rischio viene trattato, nessun numero di save che riporti è difendibile.
3Do you know your cost per save? Il save rate senza costo è vanità. Il margine incrementale mantenuto è il numero che il team finanziario accetterà.
4How long from signal to action? Settimane di latenza trasformano una buona predizione in una post-mortem.

Quale dovresti costruire per primo?

Costruisci il loop prima di costruire il modello. Un set di regole grezze (decadimento dell'engagement più un downgrade più un'escalation del supporto) indirizzato a due trattamenti in competizione con un holdout ti insegnerà di più in sei settimane rispetto a un modello gradient-boosted ben ottimizzato senza distribuzione. Una volta che il loop è attivo, la qualità del modello inizia a comporsi, perché ogni esperimento produce i dati sull'effetto del trattamento di cui i modelli di uplift hanno bisogno e che i modelli di propensione non generano mai da soli.

Markin esegue entrambe le metà: rilevamento del rischio sul tuo data warehouse, poi ipotesi, azione candidata, esperimento e un holdout conservato. Vedi Retention decisioning o leggi cos'è la churn prevention.

Domande frequenti

Domande che i lettori si pongono su questo.

Qual è la differenza tra churn prevention e churn prediction?: La churn prediction stima la probabilità che un cliente se ne vada entro un orizzonte e produce un risk score. La churn prevention seleziona e offre un intervento per quel cliente e misura l'incremental effect rispetto a un control group. La prediction descrive il mondo; la prevention lo cambia.
Puoi prevenire il churn senza un modello di prediction?: Sì. Un set di regole costruito dal decadimento dell'engagement, dai downgrade, dai pagamenti falliti e dalle escalation del supporto identifica la maggior parte del rischio azionabile in una base tipica. Il modello migliora il targeting in seguito, ma il loop, i trattamenti e il holdout producono il valore.
Perché un modello accurato di churn non riduce il churn?: Perché i clienti a più alto rischio non sono necessariamente i più persuadibili. Una gran parte di loro ha già deciso, quindi trattarli consuma margini senza cambiare il risultato. I modelli di uplift risolvono questo problema prevedendo l'effetto del trattamento piuttosto che la probabilità di churn.
Chi è responsabile della churn prevention?: La data science si occupa dei modelli e della progettazione degli esperimenti. Il growth o lifecycle marketing si occupa dei trattamenti, delle regole di eleggibilità e del budget. Il programma fallisce quando una delle due parti lo gestisce da sola, perché i punteggi senza azioni e le azioni senza controfattuali non producono nulla di misurabile.

Risorse correlate

Soluzioni

Settori

Visualizzalo nel prodotto

Questo funziona oggi in Markin.

Gli stessi cicli descritti in questa nota vengono eseguiti 24 ore su 24, 7 giorni su 7, sulla tua base clienti. Osserva lo spazio di lavoro decidere, sperimentare ed eseguire 1:1.

Esplora la demo Oppure prenota una demo con il team

Vocabolario