nomad+22%
YuppTVStreaming
Como a YuppTV deteta a intenção de churn cedo o suficiente para mudar o resultado
+18%
retention · medido contra um holdout aleatório
Em resumo
Os cancelamentos da YuppTV eram decididos muito antes do botão de cancelar. A Markin lê a queda na profundidade de visualização, o ajuste do catálogo e a fricção de pagamento que o precede, e age enquanto o resultado ainda é mutável, elevando a retention em 18% em cohorts tratados em relação a um holdout aleatório.
Resultados
Cada decision carrega um control group+18%
Retenção em cohorts tratados
vs holdout aleatório, janela de medição completa
-27%
churn involuntário
recuperações de falhas de pagamento tratadas como uma decisão, não uma sequência de cobrança
+9%
ARPU
do ajuste do plano, não de aumentos de preços
Intervalo anonimizado em implementações da Markin em grandes bases B2C, lido ao longo de uma janela de medição completa. Não é uma referência da indústria e não é uma previsão para a sua base.
Num relance
- Indústria
- Streaming / OTT
- Mercados
- Público da diáspora global
- Base
- Milhões de subscritores em todos os níveis de plano
- Movimentos ao vivo
- Prevenção de churn, adequação do plano, dunning, win-back
- Stack
- Warehouse, eventos de produto, Braze, Recurly, contact centre
- Primeiro uplift medido
- Semana 7
O desafio
A YuppTV conhecia o seu churn rate ao milésimo e pouco podia fazer em relação a isso. O modelo assinalava os subscritores como de alto risco na última semana do ciclo, quando a decisão já tinha sido tomada e a única alavanca restante era um desconto.
O sinal real era mais cedo e mais discreto: a profundidade de visualização a diminuir no conteúdo que impulsionou a subscrição original, uma mudança para sessões mais curtas, um cartão recusado não resolvido, um plano com canais que ninguém na casa via.
Esses sinais viviam em sistemas diferentes, moviam-se constantemente e exigiam uma ação diferente a cada vez. Uma campanha de retenção trata-os todos como uma única audiência e paga pelos que nunca iriam sair.
O que a Markin fez
Data and context, intelligence, action01 / Dados e contexto
Visualização, faturação e suporte numa única vista
Markin lê eventos de playback, metadados de catálogo, histórico de planos e estado de pagamento diretamente dos sistemas da YuppTV, para que os sinais de intenção sejam avaliados em conjunto, em vez de um dashboard de cada vez.
02 / Inteligência
Intenção, não uma pontuação de risco
Em vez de pontuar todos semanalmente, a camada de inteligência forma hipóteses sobre o porquê de um agregado familiar específico estar a desengajar, dimensiona cada uma e propõe uma ação que corresponde à causa: catálogo, plano, preço ou pagamento.
03 / Ação
A ação mais económica que funciona
Recomendações de conteúdo, alterações de plano, atualizações de cartão e, só quando mais nada atinge o nível exigido, uma oferta de retenção. Cada ação é executada contra um holdout, para que a YuppTV possa ver o que um desconto realmente comprou.
Experimentos realizados
Hypothesis to measured lift| Hipótese | Segmento | Ação | Channel | uplift medido |
|---|---|---|---|---|
| Os subscritores desengajam quando o conteúdo que os adquiriu termina | Agregados familiares com uma queda de 40%+ na profundidade de visualização semanal | Re-onboarding do catálogo em torno de títulos adjacentes, sem oferta | Linha Push + in-app | +11% retenção |
| churn involuntário é um problema de decisão, não um problema de cobrança | Pagamentos falhados com alto engagement | Atualização do cartão programada para uma sessão de visualização, nova tentativa agendada para o dia de pagamento | Na app + SMS | -27% churn involuntário |
| Alguns cancelamentos são incompatibilidade de plano, não intenção de saída | Subscritores que usam um terço do seu tier | Downgrade oferecido antes do cancelamento, upgrade para aqueles que consomem em excesso | Conta + email | +9% ARPU |
| Ofertas de poupança genéricas pagam por subscritores que teriam ficado | Alertas de alto risco com visualização estável | Retenha a oferta, meça em relação ao controlo | Nenhum | Corte nos gastos com descontos, retenção inalterada |
Como foi implementado
Semana 0
Sinais conectados
Dados de Playback, faturação e suporte conectados apenas para leitura. Cancelamentos históricos reproduzidos para encontrar os sinais que realmente os antecedem.
Semana 3
Primeiro motion ao vivo
O re-onboarding do catálogo entra em vigor no sinal de desengajamento, com um holdout em cada decisão.
Semana 7
Primeiro uplift legível
A retenção apresenta +11% no cohort tratado. As ofertas genéricas de poupança são retiradas por não superarem o controlo.
Semana 12
Quatro motions em produção
Prevenção de churn, adequação do plano, dunning e win-back a funcionar continuamente, com os resultados lidos semanalmente em comparação com o controlo.
Nas suas próprias palavras
“Deixámos de pagar para manter subscritores que nunca iriam sair e começámos a chegar aos que iriam.”
Líder de retenção, YuppTV
A stack com a qual a Markin trabalhou
No migration, no new system of recordPerguntas que os compradores fazem sobre este caso
Como é que isto é diferente de um modelo de previsão de churn?
Uma pontuação indica quem está em risco. Não diz porquê, o que fazer sobre isso, ou se a ação funcionou. Markin forma uma hipótese por agregado familiar, escolhe a ação mais barata que aborda a causa e prova-a contra um holdout.
How was the YuppTV result measured?
Cada decision inclui um holdout aleatório. O uplift citado é a diferença entre a coorte tratada e o grupo de controlo ao longo de uma janela de medição completa, não uma comparação antes e depois.
Tiveram de mover os seus dados para a Markin?
Não. Markin lê do warehouse, CDP e eventos de produto já existentes. Nada é copiado para um novo sistema e nada está bloqueado.
Qual equipa a geriu no dia a dia?
A equipa de growth existente. A Markin faz o trabalho analítico; uma equipa streaming desse tamanho precisaria de um pod de data-science dedicado para produzir, e encaminha cada ação para as ferramentas que já operam.
Quanto tempo até ao primeiro uplift mensurável?
Um primeiro movimento entra em funcionamento em cerca de 30 dias e o primeiro resultado estatisticamente legível surge nas seis semanas seguintes. O impacto escalado geralmente é visível aos 90 dias.
