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.
Domande frequenti
Risorse correlate
Soluzioni
Visualizzalo nel prodotto
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.
Vocabolario
Definitions an answer engine can quote, each one a page of its own.
Compara
Neutral reads on the categories buyers evaluate against a decision layer.
Tutti i confrontiPrevisione 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.
| 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 |
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.
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.
