Una guida pratica alla previsione dell'abbandono dei clienti: quali modelli funzionano realmente, quali feature fanno la differenza e come convertire la previsione in un tasso di salvataggio incrementale.
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 del cliente è la pratica di stimare, per ogni cliente, la probabilità di interrompere la relazione con l'azienda entro un orizzonte definito. Nelle attività in abbonamento, tale orizzonte è solitamente il ciclo di fatturazione successivo. Nel B2C transazionale, è una finestra di interruzione (30, 60, 90 giorni senza acquisto). In entrambi i casi, l'obiettivo è lo stesso: identificare chi è probabile che si allontani in tempo per poter agire.
Questa impostazione è dove la maggior parte dei programmi di churn sbaglia. Un churn score è una probabilità, non un programma. Due clienti con la stessa probabilità di churn prevista possono avere economie di trattamento-effetto completamente diverse, e il programma di retention che li tratta in modo identico sovrastimerà uno e sottostimerà l'altro. Questa guida copre entrambe le metà, il modello che predice e il livello di decisioning che trasforma la predizione in un tasso di salvataggio incrementale.
Un modello di churn ben specificato stima:
Congelare le funzionalità nel tempo t. Non far trapelare informazioni da dopo t nel set di feature. Questa è la fonte più comune di modelli che sembrano brillanti nella cross-validation e falliscono in produzione. Qualsiasi feature che includa comportamenti post-predizione, compreso qualsiasi cosa tocchi l'evento di churn stesso, gonfia l'AUC di 5-20 punti e rende il modello inutile a valle.
Su dati tabulari dei clienti, gli alberi a gradiente potenziato (XGBoost, LightGBM, CatBoost) superano in modo affidabile la regressione logistica, le foreste casuali e la maggior parte delle architetture di deep learning. Gestiscono le variabili categoriche in modo pulito, sono robusti ai dati mancanti e richiedono poca ottimizzazione per raggiungere il 90 percento del loro tetto di qualità di produzione.
Le architetture di deep-learning iniziano a essere rilevanti solo quando la struttura della sequenza domina il segnale, lunghe tracce comportamentali nello streaming o nel gaming, dove l'ordine degli eventi porta più informazioni dei loro conteggi. Anche in questo caso, i boosted trees su funzionalità di sequenza ben progettate di solito eguagliano i transformer con uno o due punti percentuali di AUC e sono dieci volte più economici da gestire.
La Propensione ti dice chi è probabile che abbandoni. Non ti dice se un intervento cambierà la situazione. La famiglia di modelli che risponde alla seconda domanda è l'uplift, e i default pratici sono i meta-learner: T-learner (due modelli separati su trattati e non trattati), X-learner (migliore in caso di squilibrio), e R-learner (Neyman-orthogonal, più robusto). Tutti avvolgono il motore di propensione (solitamente un albero potenziato) in un quadro causale.
Il programma di retention che desideri davvero si classifica per uplift, non per propensione. Un cliente con il 60 percento di probabilità di churn e un uplift quasi nullo a qualsiasi intervento non è a chi invii un'offerta di salvataggio; un cliente con il 25 percento di probabilità di churn e un alto uplift lo è.
La scelta del modello conta meno del feature engineering. Le quattro famiglie di feature che si rivelano le più importanti in quasi ogni modello di churn che vediamo:
Le funzionalità di esposizione al marketing di solito aggiungono poco alla previsione del churn, a meno che il tasso di contatto di base non sia insolitamente basso. Il motivo: per la maggior parte dei clienti, la frequenza dei messaggi è abbastanza alta da annullare la variazione. Dove il marketing aiuta è nel modello di uplift, come caratteristica lato trattamento che spiega perché la risposta varia in base alla cronologia di esposizione.
Non per AUC. L'AUC classifica correttamente i clienti in base al rischio ma non dice nulla sul fatto che i tuoi interventi ne salvino effettivamente qualcuno. La metrica che conta è tasso di salvataggio incrementale: la differenza nella retention tra clienti trattati (quelli il cui rischio previsto ha innescato un intervento) e un holdout conservato di clienti con punteggio equivalente che non hanno ricevuto alcun intervento.
Onestamente riportato, questo si presenta così: "Tra i clienti nel decile a più alto rischio che hanno ricevuto l'offerta di mantenimento, la retention è stata del 62 %. Tra il holdout di clienti nel decile a più alto rischio che non hanno ricevuto nulla, la retention è stata del 54 %. Il tasso di mantenimento incrementale è di 8 punti percentuali." Moltiplica per il margine previsto, sottrai il costo di intervento, riporta al CFO.
Per un'analisi più approfondita di come il tasso di salvataggio incrementale si compone nelle categorie di abbonamento (e dove non lo fa), vedi l'economia della prevenzione del churn nello streaming e nelle telecomunicazioni.
Un programma di churn di livello di produzione ha tre livelli accoppiati:
Questa è esattamente la forma di Next Best Action, applicata specificamente alla leva della retention. Qualsiasi cosa in meno del ciclo completo lascia sul tavolo la percentuale di risparmio incrementale.
Se hai previsione ma non decisioning, inizia con un holdout preservato e un'azione di retention classificata per uplift. Se non hai nessuno dei due, inizia con un modello di propensione basato su alberi potenziati sulle quattro famiglie di funzionalità sopra; il modello di uplift può arrivare nel prossimo sprint.
Markin esegue la previsione del churn e la retention con ranking di uplift come un unico loop sulla tua base. Explore Diagnosi del prodotto per vederlo dal vivo.
