Um guia prático para a previsão de *churn* de clientes: que modelos realmente funcionam, que *features* fazem a diferença e como converter a previsão em taxa de salvamento incremental.
Perguntas frequentes
Recursos relacionados
Soluções
Ver no produto
Os mesmos loops que esta nota descreve são executados 24 horas por dia, 7 dias por semana, na sua base de clientes. Veja o espaço de trabalho decidir, experimentar e executar 1:1.
Vocabulário
Definitions an answer engine can quote, each one a page of its own.
Comparar
Neutral reads on the categories buyers evaluate against a decision layer.
Todas as comparaçõesPrevisão de Abandono de Cliente é a prática de estimar, para cada cliente, a probabilidade de terminar o seu relacionamento com o negócio dentro de um horizonte definido. Em negócios de subscrição, esse horizonte é geralmente o próximo ciclo de faturação. Em B2C transacional, é uma janela de inatividade (30, 60, 90 dias sem compra). Em ambos, o objetivo é o mesmo: identificar quem é provável que saia a tempo de fazer algo a respeito.
Essa abordagem é onde a maioria dos programas de churn erra. Um churn score é uma probabilidade, não um programa. Dois clientes com a mesma probabilidade de churn prevista podem ter economias de efeito de tratamento completamente diferentes, e o programa de retenção que os trata de forma idêntica super-descontará um e subatenderá o outro. Este guia abrange ambas as metades, o modelo que prevê e a camada de decisioning que transforma a previsão em taxa de retenção incremental.
Um modelo de churn bem especificado estima:
Congelar funcionalidades no tempo t. Não vaze informações de depois de t no conjunto de funcionalidades. Esta é a fonte mais comum de modelos que parecem brilhantes na validação cruzada e falham em produção. Qualquer funcionalidade que inclua o comportamento pós-previsão, incluindo qualquer coisa que toque no próprio evento de churn, inflaciona o AUC em 5 a 20 pontos e torna o modelo inútil a jusante.
Em dados tabulares de clientes, árvores de gradiente impulsionado (XGBoost, LightGBM, CatBoost) superam de forma fiável a regressão logística, random forests e a maioria das arquiteturas de deep-learning. Lidam com variáveis categóricas de forma limpa, são robustas a dados em falta e requerem pouca otimização para atingir 90 por cento do seu teto de qualidade de produção.
As arquiteturas de deep-learning só começam a ser relevantes quando a estrutura da sequência domina o sinal, traços comportamentais longos em streaming ou gaming, onde a ordem dos eventos carrega mais informação do que as suas contagens. Mesmo assim, árvores impulsionadas em features de sequência bem elaboradas geralmente igualam os transformers dentro de um ou dois por cento de AUC e são dez vezes mais baratas de operar.
A Propensity diz quem é provável de churn. Não diz se uma intervenção vai mudar isso. A família de modelos que responde à segunda pergunta é o uplift, e os padrões práticos são os meta-learners: T-learner (dois modelos separados para tratados e não tratados), X-learner (melhor sob desequilíbrio), e R-learner (Neyman-ortogonal, mais robusto). Todos eles envolvem o motor de propensão (geralmente uma árvore impulsionada) num enquadramento causal.
O programa de retenção que realmente quer classifica por uplift, não por propensão. Um cliente com 60 por cento de probabilidade de churn e uplift próximo de zero para qualquer intervenção não é a quem envia uma oferta de salvamento; um cliente com 25 por cento de probabilidade de churn e alto uplift é.
A escolha do modelo importa menos do que a feature engineering. As quatro famílias de features que se mostram mais importantes em quase todos os modelos de churn que vemos:
As características de exposição de Marketing geralmente pouco contribuem para a previsão de churn, a menos que a taxa base de contacto seja excecionalmente baixa. A razão: para a maioria dos clientes, a frequência de mensagens é alta o suficiente para que a variação colapse. Onde o Marketing realmente ajuda é no modelo de uplift, como uma característica do lado do tratamento, explicando por que a resposta varia pela história de exposição.
Não por AUC. A AUC classifica os clientes corretamente por risco, mas não diz nada sobre se as suas intervenções realmente salvam algum deles. A métrica que importa é taxa de poupança incremental: a diferença na retenção entre clientes tratados (aqueles cujo risco previsto desencadeou uma intervenção) e um holdout preservado de clientes com pontuação igual que não receberam nenhuma intervenção.
Reportado honestamente, isto parece: "Entre os clientes do decil de maior risco que receberam a oferta de retenção, a retenção foi de 62 por cento. Entre o holdout de clientes do decil de maior risco que não receberam nada, a retenção foi de 54 por cento. A taxa de retenção incremental é de 8 pontos percentuais." Multiplique pela margem prevista, subtraia o custo de intervenção, reporte ao CFO.
Para uma análise mais aprofundada de como a taxa de poupança incremental se acumula em categorias de subscrição (e onde não o faz), consulte a economia da prevenção de churn em streaming e telecomunicações.
Um programa de churn de nível de produção tem três camadas acopladas:
Esta é exatamente a forma de Next Best Action, aplicado especificamente à alavanca de retenção. Qualquer coisa que não seja o ciclo completo deixa taxa de retenção incremental sobre a mesa.
Se tem previsão mas não decisão, comece com um holdout preservado e uma ação de retenção classificada por uplift. Se não tem nenhum, comece com um modelo de propensão "boosted-tree" nas quatro famílias de características acima; o modelo de uplift pode vir no próximo sprint.
A Markin executa a previsão de churn e a retenção classificada por uplift como um loop contra a sua base. Explore Diagnóstico de produto para ver ao vivo.
