kundeopkøb og fastholdelse er meget vanskeligt i dagens højfølsomme marked. Det er blevet meget vigtigt at kende din kunde og være i stand til at bevare den. I Customer management lifecycle henviser customer churn til en beslutning truffet af kunden om at afslutte forretningsforholdet. Det kaldes også tab af kunder eller kunder. 80/20 kunde rentabilitet regel, 20% af kunderne genererer 80% af omsætningen. Så det er meget vigtigt at forudsige de brugere, der sandsynligvis vil churn fra forretningsforhold og de faktorer, der påvirker kundens beslutninger.
da det er udfordrende at erhverve nye kunder, er det meget vigtigt at bevare de nuværende kunder. Churn kan reduceres ved systematisk at analysere de potentielle kunders tidligere historie. Der opretholdes store data om kunderne, og ved at udføre en ordentlig analyse på det samme er det muligt at forudsige de sandsynlige kunder, der kan churn. De tilgængelige oplysninger kan analyseres på forskellige måder og derved give forskellige måder for operatørerne at forestille sig churning og undgå det samme.
segmentering og klyngedannelse
en kunde vil sandsynligvis churn, hvis han ikke har foretaget et køb for en bestemt tid, kan være engang mellem 6 til 8 måneder. Og det er den definition, der er bredt accepteret på tværs af brancher. Men før vi definerer churn er det vigtigt at forstå, at denne definition ikke er helt sandt for online detailbranchen. Også en kundeprofil kan have mange outliers, som bør elimineres, og en kontrolpopulation skal defineres.
kunden kan tilhøre forskellige segmenter eller klynger baseret på kundens købsadfærd, og churn-satsen for alle disse klynger vil ikke være den samme. For eksempel kan en kunde være en fuld pris køber eller kan tilhøre en klynge, der kun foretager køb i salgssæsonen. Churn-satsen for begge disse segmenter vil ikke være den samme. For hjemmesider som Flipkart og
Klyngeteknikker kan bruges til at identificere klyngerne og derefter bruge forudsigelig analyse på klyngerne til at identificere de kunder, der sandsynligvis vil blive churned ud
Churn og logistisk Regression
logistisk regression bruges til at forudsige sandsynligheden for, at kunden vil churn eller ej.
Kundedatasæt analyseres for at danne regressionsligningerne. En evalueringsproces for hver kunde i datasættet udføres derefter. En kunde er i risiko for churn, hvis p-værdien for kunden er større end en foruddefineret værdi (f.eks. 0,5). Regressionsanalyse skal behandles med forsigtighed, da det kan give vildledende resultater. Multikollinearitet som følge af stærke sammenhænge mellem uafhængige variabler er en bekymrende faktor i logistiske regressionsmodeller. Eksistensen af stærk multikollinaritet fører til forkerte konklusioner om forholdet mellem uafhængige og afhængige variabler, da det oppustes varianserne i parameterestimaterne og giver forkert størrelse af regressionskoefficienten. Under visse omstændigheder kan logistisk regression bruges til at tilnærme og repræsentere ikke-lineære systemer på trods af at det er en lineær tilgang.
Churn Scoring og målretning
Churn Scoring er en metode, som mange detailhandlere anvender for at bestemme deres kundes churn score. Dette definerer yderligere kundens opsøgende, positionering og markedsføring. I de fleste tilfælde er dette en sandsynlighedsscore, der formidler kundens potentielle loyalitet.den churn score skaber forskellige segmenter af kunden baseret på deres churn profil. De kan være Churners, loyale kunder, potentielle Churners eller kunde ambivalens. Baseret på churn-segmenterne kan der træffes beslutning om at tilbyde en potentiel Churner med særlige fordele eller at tilbyde loyalitetsprogrammer til en Loyal kunde.
Klassificeringsalgoritme
Churn forudsigelsesmodel er vigtig i detailbranchen for at identificere de kunder, der sandsynligvis vil churn fra deres eksisterende liste over aktive kunder. Beslutningstræ er en god måling at identificere for at churn, fordi de fleste data, der er opnået i detailbranchen, for det meste er kategoriske.
indkøbsvogn, Random Forest og Random Forest er de meget anvendte klassificeringsalgoritmer i branchen. Der har været undersøgelser udført i branchen, som viser, at Gboost har vist sig at være en af de mest effektive metoder til at klassificere churners.
effektiviteten af modellen bestemmes af de falske forudsigelser udført af modellen. Modellen skal straffes for de falske forudsigelser. Forvirringsmatricen giver en ret god ide om nøjagtigheden af den byggede model
· http://www.treselle.com/blog/customer-churn-logistic-regression-with-r/
· kunde Churn på mobilmarkeder: en sammenligning af teknikker
Leave a Reply