nomad+22%
YuppTVStreaming
Come YuppTV rileva l'intento di churn abbastanza presto da cambiarne l'esito
+18%
retention · misurato rispetto a un holdout randomizzato
In breve
Le cancellazioni di YuppTV erano decise molto prima del pulsante di annullamento. Markin legge il calo nella profondità di visualizzazione, l'adeguatezza del catalogo e l'attrito del pagamento che lo precede, e agisce mentre il risultato è ancora modificabile, aumentando la retention del 18% sui cohort trattati rispetto a un holdout randomizzato.
Risultati
Ogni decisione prevede un gruppo di controllo+18%
Retention sulle coorti trattate
vs holdout randomizzato, finestra di misurazione completa
-27%
churn involontario
recuperi di pagamenti falliti gestiti come una decisione, non come una sequenza di sollecito
+9%
ARPU
dall'adeguatezza del piano, non dagli aumenti di prezzo
Intervallo anonimizzato tra le implementazioni Markin in grandi basi B2C, letto su un'intera finestra di misurazione. Non è un benchmark di settore e non una previsione per la tua base.
In breve
- Settore
- Streaming / OTT
- Mercati
- Audience globale della diaspora
- Base
- Milioni di abbonati su tutti i livelli di piano
- Motions live
- Prevenzione churn, idoneità del piano, dunning, win-back
- Stack
- Warehouse, eventi di prodotto, Braze, Recurly, contact center
- Primo uplift misurato
- Settimana 7
La sfida
YuppTV conosceva il proprio churn rate al decimale e non poteva farci quasi nulla. Il modello segnalava gli abbonati come ad alto rischio nell'ultima settimana del ciclo, quando la decisione era già stata presa e l'unica leva rimasta era uno sconto.
Il segnale reale era più precoce e più silenzioso: la profondità di visualizzazione che diminuiva sui contenuti che avevano guidato l'abbonamento originale, un passaggio a sessioni più brevi, una carta di credito fallita lasciata irrisolta, un piano che includeva canali che nessuno in famiglia guardava.
Questi segnali risiedevano in sistemi diversi, si muovevano costantemente e richiedevano un'azione diversa ogni volta. Una campagna di retention li tratta tutti come un unico pubblico e paga per quelli che non avrebbero mai lasciato.
Cosa ha fatto Markin
Data and context, intelligence, action01 / Dati e contesto
Visualizzazione, fatturazione e supporto in un'unica vista
Markin legge gli eventi di riproduzione, i metadati del catalogo, la cronologia dei piani e lo stato dei pagamenti direttamente dai sistemi di YuppTV, in modo che i segnali di intento siano valutati insieme anziché un dashboard alla volta.
02 / Intelligence
Intento, non un punteggio di rischio
Piuttosto che assegnare un punteggio a tutti settimanalmente, il livello di intelligence forma ipotesi sul motivo per cui una famiglia specifica si sta disimpegnando, ne valuta ciascuna e propone un'azione che corrisponda alla causa: catalogo, piano, prezzo o pagamento.
03 / Azione
L'azione più economica che funziona
Raccomandazioni di contenuti, spostamenti di piano, aggiornamenti della carta e, solo quando nient'altro supera la soglia, un'offerta di retention. Ogni azione viene eseguita contro un holdout, così YuppTV può vedere cosa ha effettivamente comprato uno sconto.
Esperimenti eseguiti
Hypothesis to measured lift| Ipotesi | Segmento | Azione | Canale | Uplift misurato |
|---|---|---|---|---|
| Gli abbonati si disimpegnano quando i contenuti che li hanno acquisiti terminano | Famiglie con un calo del 40%+ nella profondità di visualizzazione settimanale | Re-onboarding del catalogo su titoli adiacenti, senza offerta | Riga Push + in-app | +11% retention |
| Il churn involontario è un problema di decisioning, non un problema di sollecito | Pagamenti falliti con engagement elevato | Aggiornamento della carta sincronizzato con una sessione di visualizzazione, riprovo pianificato intorno al giorno di paga | In-app + SMS | -27% churn involontario |
| Alcuni annullamenti sono disallineamento del piano, non intenzione di abbandonare | Abbonati che utilizzano un terzo del loro tier | Downgrade offerto prima della cancellazione, upgrade a coloro che consumano in eccesso | Account + email | +9% ARPU |
| Le offerte generiche di risparmio pagano per abbonati che sarebbero rimasti | Segnalazioni ad alto rischio con visualizzazione stabile | Sospendi l'offerta, misura rispetto al control | None | Spesa per sconti tagliata, retention invariata |
Come è stato implementato
Settimana 0
Segnali connessi
Dati di riproduzione, fatturazione e supporto connessi in sola lettura. Annullamenti storici riprodotti per trovare i segnali che li precedono effettivamente.
Settimana 3
Prima motion attiva
Il re-onboarding del catalogo va live al segnale di disengagement, con un holdout su ogni decisione.
Settimana 7
Primo uplift leggibile
La retention registra +11% sulla coorte trattata. Le offerte di salvataggio generiche sono state ritirate per non aver battuto il controllo.
Settimana 12
Quattro motion in produzione
Prevenzione churn, idoneità del piano, dunning e win-back in esecuzione continua, con risultati letti rispetto al controllo settimanalmente.
Con parole loro
“Abbiamo smesso di pagare per mantenere abbonati che non avrebbero mai lasciato, e abbiamo iniziato a raggiungere quelli che lo avrebbero fatto.”
Responsabile retention, YuppTV
Lo stack con cui Markin ha lavorato
No migration, no new system of recordDomande che gli acquirenti si pongono su questo caso
In che modo è diverso da un modello di churn prediction?
Un punteggio ti dice chi è a rischio. Non ti dice perché, cosa fare al riguardo o se l'azione ha funzionato. Markin formula un'ipotesi per nucleo familiare, sceglie l'azione più economica che affronta la causa e la prova contro un holdout.
How was the YuppTV result measured?
Ogni decisione comporta un holdout randomizzato. L'uplift citato è la differenza tra il gruppo trattato e il gruppo di controllo su una finestra di misurazione completa, non un confronto prima-dopo.
Hanno dovuto spostare i loro dati su Markin?
No. Markin legge dal magazzino dati, dal CDP e dagli eventi di prodotto già presenti. Nulla viene copiato in un nuovo sistema e nulla è bloccato.
Quale team lo ha gestito quotidianamente?
L'esistente growth team. Markin svolge il lavoro analitico; un team di quella dimensione streaming avrebbe bisogno di un dedicato data-science pod per produrre, e instrada ogni azione negli strumenti che già utilizzano.
Quanto tempo ci vuole per il primo uplift misurabile?
Una prima mozione va online in circa 30 giorni e il primo risultato statisticamente leggibile arriva nelle sei settimane successive. L'impatto scalato si legge tipicamente a 90 giorni.
