Guias07 de setembro de 20268 min de leitura

Churn prevention vs churn prediction: a diferença que importa

A previsão estima quem irá embora. A prevenção decide o que fazer e prova que funcionou. Por que um excelente modelo de churn pode existir ao lado de uma curva de retenção estável.

Jonas Weber

#Rotatividade
#Prediction
#Tomada de decisão

A diferença em uma tabela

	Previsão da rotatividade	Prevenção de churn
Questão	Quem tem probabilidade de sair?	O que devemos fazer, para quem, e funcionou?
Saída	Uma pontuação de risco por cliente	Uma ação classificada por cliente, mais um holdout
Classe do modelo	Propensão (árvores de reforço de gradiente)	Uplift (T-, X-, R-learner) mais arbitragem
Métrica de sucesso	AUC, precisão, recall, calibração	Margem incremental retida versus controlo
Proprietário	Data science	Growth ou lifecycle, com data science
Modo de falha	Pontuações precisas sobre as quais ninguém age	Ação tomada sem um contrafactual

Porque um bom modelo não reduz o churn

Um modelo de propensão classifica os clientes pela probabilidade de churn. Essa classificação não diz nada sobre a persuabilidade. O decil de maior risco geralmente contém um grande grupo de clientes que já decidiram, cujas mentes nenhuma oferta mudará, e um grupo menor cuja decisão ainda está aberta. Gastar o orçamento de retenção no primeiro grupo é a maneira mais comum de executar um programa grande, ocupado e não lucrativo.

Uplift modelling corrige o target. Em vez de prever churn, prevê a alteração no churn causada por um tratamento, o que divide a base em persuadíveis, certezas, causas perdidas e sleeping dogs, sendo estes últimos clientes mais propensos a sair por serem contactados. A mecânica é abordada em machine learning para churn prediction.

Como eles se encaixam

1Predict Avalie o risco num horizonte fixo com funcionalidades congeladas, para que nada do futuro vaze para o conjunto de treino.

2Attribute the cause Agrupe os clientes em risco pelo motivo pelo qual estão em risco. A causa define quais treatments são elegíveis.

3Rank actions by uplift Para cada tratamento elegível, estime o efeito incremental e o custo, depois escolha aquele com a maior margem esperada retida.

4Hold back a control Cinco a quinze por cento dos clientes com pontuação igual não recebem nada, permanentemente, por tratamento.

5Read the result and act on it Escale o que é incremental, elimine o que é estático e realimente os dados do experimento no modelo de uplift.

Questões que separam os dois na prática

1Can you name the action? Se a resposta para uma sinalização de risco é um relatório, você tem apenas previsão.

2Is there an untreated group? Se todos os clientes em risco forem tratados, nenhum número de save que você relata é defensável.

3Do you know your cost per save? A taxa de poupança sem custo é vaidade. A margem incremental retida é o número que a equipa financeira aceitará.

4How long from signal to action? Semanas de latência transformam uma boa previsão numa autópsia.

Qual você deve construir primeiro?

Construa o loop antes de construir o modelo. Um conjunto de regras bruto (deterioração do engagement mais um downgrade mais uma escalada de suporte) encaminhado para dois tratamentos concorrentes com um holdout irá ensinar-lhe mais em seis semanas do que um modelo de gradient-boosted bem afinado sem distribuição. Assim que o loop estiver a funcionar, a qualidade do modelo começa a compor-se, porque cada experimento produz os dados de efeito de tratamento de que os modelos de uplift necessitam e que os modelos de propensão nunca geram sozinhos.

Markin executa ambas as metades: deteção de risco sobre o seu warehouse, depois hipótese, ação candidata, experimento e um holdout preservado. Ver Retention decisioning ou leia o que é churn prevention.

Perguntas que os leitores fazem sobre isto.

Qual é a diferença entre churn prevention e churn prediction?

A churn prediction estima a probabilidade de um cliente sair dentro de um horizonte e gera uma pontuação de risco. A churn prevention seleciona e entrega uma intervenção para esse cliente e mede o efeito incremental em relação a um grupo de controle. A prediction descreve o mundo; a prevention o muda.

Pode você prevenir o churn sem um modelo de prediction?

Sim. Um conjunto de regras construído a partir do decaimento do engajamento, downgrades, pagamentos falhados e escalonamentos de suporte identifica a maioria do risco acionável numa base típica. O modelo melhora o targeting mais tarde, mas o loop, os tratamentos e o holdout produzem o valor.

Porque um modelo de churn preciso não reduz o churn?

Porque os clientes de maior risco não são necessariamente os mais persuadíveis. Uma grande parte deles já decidiu, então tratá-los gasta margem sem alterar o resultado. Os modelos de uplift corrigem isso prevendo o efeito do tratamento em vez da probabilidade de churn.

Quem detém a prevenção de churn?

A data science é responsável pelos modelos e pelo design dos experimentos. O growth marketing ou marketing de lifecycle é responsável pelos tratamentos, pelas regras de elegibilidade e pelo orçamento. O programa falha quando um dos lados o possui sozinho, porque pontuações sem ações e ações sem contrafactuais produzem nada mensurável.

Churn prevention vs churn prediction: a diferença que importa

A diferença em uma tabela

Porque um bom modelo não reduz o churn

Como eles se encaixam

Questões que separam os dois na prática

Qual você deve construir primeiro?

Perguntas que os leitores fazem sobre isto.

Isto funciona em Markin hoje.

Os termos por trás desta página.

Como isto se compara com o que você já executa.

Continuar a ler.

Economia da prevenção da rotatividade em streaming e telecomunicações

Previsão de abandono de cliente: modelos, características e incrementalidade

churn voluntário vs involuntário: dois problemas, duas soluções

Churn prevention vs churn prediction: a diferença que importa

A diferença em uma tabela

Porque um bom modelo não reduz o churn

Como eles se encaixam

Questões que separam os dois na prática

Qual você deve construir primeiro?

Perguntas que os leitores fazem sobre isto.

Traga isto para o seu espaço de trabalho.

Isto funciona em Markin hoje.

Os termos por trás desta página.

Como isto se compara com o que você já executa.

Continuar a ler.

Economia da prevenção da rotatividade em streaming e telecomunicações

Previsão de abandono de cliente: modelos, características e incrementalidade

churn voluntário vs involuntário: dois problemas, duas soluções