L’acquisition et la rétention des clients sont très difficiles dans le marché hautement sensible d’aujourd’hui. Il est devenu très important de connaître votre client et de pouvoir le fidéliser. Dans le cycle de vie de la gestion des clients, le désabonnement des clients fait référence à une décision prise par le client de mettre fin à la relation commerciale. On parle également de perte de clients ou de clients. Selon la règle de rentabilité des clients 80/20, 20% des clients génèrent 80% des revenus. Il est donc très important de prédire les utilisateurs susceptibles de se désabonner de la relation d’affaires et les facteurs affectant les décisions des clients.
Comme l’acquisition de nouveaux clients est un défi, il est très important de fidéliser les clients actuels. Le taux de désabonnement peut être réduit en analysant systématiquement l’historique passé des clients potentiels. Des données volumineuses sont conservées sur les clients et lors d’une analyse appropriée sur ceux-ci, il est possible de prédire les clients probables qui pourraient se désabonner. Les informations disponibles peuvent être analysées de différentes manières et offrent ainsi différentes manières aux opérateurs d’envisager le barattage et d’y échapper.
Segmentation et clustering
Un client est susceptible de se désabonner s’il n’a pas effectué d’achat pendant une période spécifiée, peut être compris entre 6 et 8 mois. Et c’est la définition qui est largement acceptée dans toutes les industries. Mais avant de définir le désabonnement, il est important de comprendre que cette définition n’est pas tout à fait vraie pour le secteur de la vente au détail en ligne. De plus, un profil client peut comporter de nombreuses valeurs aberrantes qui doivent être éliminées et une population témoin doit être définie.
Le client peut appartenir à différents segments ou clusters en fonction du comportement d’achat du client et le taux de désabonnement de tous ces clusters ne sera pas le même. Par exemple, un client peut être un acheteur à plein prix ou appartenir à un cluster qui effectue des achats uniquement pendant la saison des soldes. Le taux de désabonnement pour ces deux segments ne sera pas le même. Pour des sites Web comme Flipkart et Amazon qui vendent tout sur leur plate-forme, les clusters peuvent être divisés en fonction de la catégorie des produits achetés par le client. Par conséquent, le taux de désabonnement d’un client qui n’achète que des produits électroniques ne sera pas le même que celui qui achète des produits daily home needs, car la fréquence d’achat des produits daily home needs est plus élevée que celle de l’achat d’appareils électroniques. Il peut y avoir d’autres facteurs qui influencent les segments comme la taille du panier de chaque transaction, la saisonnalité et la fréquence des achats, etc.
Des techniques de clustering peuvent être utilisées pour identifier les clusters, puis utiliser l’analyse prédictive sur les clusters pour identifier les clients susceptibles d’être désabonnés
Désabonnement et régression logistique
La régression logistique est utilisée pour prédire la probabilité que le client atteigne ou non le désabonnement.
Les ensembles de données client sont analysés pour former les équations de régression. Un processus d’évaluation pour chaque client de l’ensemble de données est ensuite effectué. Un client peut être exposé à un risque de désabonnement si la valeur p pour le client est supérieure à une valeur prédéfinie (par exemple 0,5). L’analyse de régression doit être traitée avec prudence car elle peut donner des résultats trompeurs. La multicollinéarité résultant de fortes corrélations entre variables indépendantes est un facteur préoccupant dans les modèles de régression logistique. L’existence d’une forte multicollinéarité conduit à des conclusions erronées sur les relations entre variables indépendantes et dépendantes, car elle gonfle les variances des estimations des paramètres et donne une magnitude erronée du coefficient de régression. Dans certaines circonstances, la régression logistique peut être utilisée pour approximer et représenter des systèmes non linéaires, bien qu’il s’agisse d’une approche linéaire.
Score de désabonnement et ciblage
Le désabonnement est une méthode que de nombreux détaillants adoptent pour déterminer le score de désabonnement de leur client. Cela définit davantage la sensibilisation, le positionnement et le marketing des clients. Dans la plupart des cas, il s’agit d’un score de probabilité qui traduit la fidélité potentielle du client.
Le score de désabonnement crée différents segments du client en fonction de leur profil de désabonnement. Ils peuvent être des Baratters, Des Clients Fidèles, des Baratters Potentiels ou une Ambivalence Client. En fonction des segments de désabonnement, la décision peut être prise d’offrir à un Désabonnement potentiel des avantages spéciaux ou d’offrir des programmes de fidélisation à un client fidèle.
Algorithme de classification
Le modèle de prédiction du taux de désabonnement est important dans le secteur de la vente au détail pour identifier les clients susceptibles de désabonner à partir de leur liste existante de clients actifs. L’arbre de décision est une bonne mesure à identifier pour le désabonnement, car la plupart des données obtenues dans le secteur de la vente au détail sont pour la plupart catégorielles.
CART, XGBoost et Random Forest sont les algorithmes de classification largement utilisés dans l’industrie. Il y a eu des études réalisées dans l’industrie qui montrent que XGBoost s’est avéré être l’une des méthodes les plus efficaces pour classer les baratteurs.
L’efficacité du modèle est déterminée par les fausses prédictions faites par le modèle. Le modèle devrait être pénalisé pour les fausses prédictions. La matrice de confusion donne une assez bonne idée de la précision du modèle construit
·http://www.treselle.com/blog/customer-churn-logistic-regression-with-r/
· Désabonnement des clients sur les marchés mobiles: Une comparaison des techniques
Leave a Reply