az ügyfelek megszerzése és megtartása nagyon nehéz a mai érzékeny piacon. Nagyon fontos, hogy megismerje ügyfelét, és képes legyen megtartani. Az ügyfélkezelési életciklusban az ügyfél lemorzsolódása az ügyfél által az üzleti kapcsolat megszüntetéséről hozott döntésre utal. Az ügyfelek vagy ügyfelek elvesztésének is nevezik. A 80/20 ügyfél jövedelmezőségének szabálya szerint az ügyfelek 20% – a a bevétel 80% – át generálja. Tehát nagyon fontos megjósolni, hogy a felhasználók valószínűleg lemorzsolódnak-e az üzleti kapcsolatból, és milyen tényezők befolyásolják az ügyfelek döntéseit.
mivel az új ügyfelek megszerzése kihívást jelent, nagyon fontos a jelenlegi ügyfelek megtartása. A lemorzsolódás csökkenthető a potenciális ügyfelek múltbeli történetének szisztematikus elemzésével. Nagy adatokat tartanak fenn az ügyfelekről, és a megfelelő elemzés elvégzésekor meg lehet jósolni a valószínű ügyfeleket, amelyek lemorzsolódhatnak. A rendelkezésre álló információk különböző módon elemezhetők, és ezáltal különböző módokat biztosítanak az üzemeltetők számára a kavarodás előrejelzésére és annak elkerülésére.
szegmentálás és klaszterezés
az ügyfél valószínűleg lemorzsolódik, ha egy meghatározott ideig nem vásárolt, valamikor 6-8 hónap között lehet. Ez az a meghatározás, amelyet széles körben elfogadnak az iparágakban. De mielőtt meghatároznánk a lemorzsolódást, fontos megérteni, hogy ez a meghatározás nem teljesen igaz az online kiskereskedelemre. Az ügyfélprofilnak is számos kiugró értéke lehet, amelyeket ki kell küszöbölni, és meg kell határozni a kontrollpopulációt.
az ügyfél különböző szegmensekhez vagy klaszterekhez tartozhat az ügyfél vásárlási viselkedése alapján, és ezeknek a klasztereknek a lemorzsolódási aránya nem lesz azonos. Például egy ügyfél lehet teljes árú vevő, vagy tartozhat egy klaszterhez, aki csak az értékesítési szezonban vásárol. Mindkét szegmens lemorzsolódási aránya nem lesz azonos. Az olyan webhelyek esetében, mint a Flipkart és az Amazon, amelyek mindent eladnak a platformjukon, a klaszterek feloszthatók az ügyfél által megvásárolt termékek kategóriája alapján. Ezért a lemorzsolódás mértéke az ügyfél, aki csak vásárol elektronika nem lesz ugyanaz, mint az ügyfél, aki vásárol napi otthoni szüksége van termékek, mert a gyakorisága vásárol napi otthoni szüksége termékek magasabb, mint a vásárlás elektronika. A szegmenseket más tényezők is befolyásolhatják, mint például az egyes tranzakciók kosármérete, a szezonalitás és a vásárlások gyakorisága stb.
a klaszterezési technikák felhasználhatók a klaszterek azonosítására, majd a klaszterek prediktív elemzésével azonosíthatják azokat az ügyfeleket, akik valószínűleg kiürülnek
a logisztikai regresszió
a logisztikai regresszió arra szolgál, hogy megjósolja annak valószínűségét, hogy az ügyfél lemorzsolódik vagy sem.
az Ügyféladatokat elemezzük a regressziós egyenletek kialakításához. Ezután elvégzik az adatkészlet minden egyes ügyfelének értékelési folyamatát. Az ügyfél a lemorzsolódás kockázatának lehet kitéve, ha az ügyfél p-értéke nagyobb, mint egy előre meghatározott érték (pl. 0,5). A regresszióanalízist óvatosan kell feldolgozni, mivel félrevezető eredményeket adhat. A független változók közötti erős korrelációkból eredő multikollinearitás a logisztikai regressziós modellek egyik fontos tényezője. Az erős multikollinearitás megléte téves következtetésekhez vezet a független és függő változók közötti kapcsolatokról, mivel felfújja a paraméterbecslések varianciáit, és rossz nagyságú regressziós együtthatót ad. Bizonyos körülmények között a logisztikus regresszió használható a nemlineáris rendszerek közelítésére és ábrázolására, annak ellenére, hogy lineáris megközelítés.
lemorzsolódási pontozás és célzás
lemorzsolódási pontozás egy olyan módszer, amelyet sok kiskereskedő alkalmaz az ügyfél lemorzsolódási pontszámának meghatározására. Ez tovább határozza meg az ügyfelek elérhetőségét, pozicionálását és marketingjét. A legtöbb esetben ez egy valószínűségi pontszám, amely közvetíti az ügyfél potenciális hűségét.
a lemorzsolódási pontszám az ügyfél különböző szegmenseit hozza létre a lemorzsolódási profiljuk alapján. Lehetnek Kavarók, hűséges ügyfelek, potenciális Kavarók vagy Vásárlói ambivalencia. A lemorzsolódási szegmensek alapján dönthetünk arról, hogy egy potenciális Lemorzsolódónak különleges előnyöket kínálunk-e, vagy hűségprogramokat kínálunk egy hűséges ügyfélnek.
osztályozási algoritmus
a lemorzsolódási modell fontos a kiskereskedelemben, hogy azonosítsa azokat az ügyfeleket, akik valószínűleg lemorzsolódnak az aktív ügyfelek meglévő listájáról. A döntési fa jó mutató a lemorzsolódáshoz, mivel a kiskereskedelemben kapott adatok többsége többnyire kategorikus.
a CART, az XGBoost és a Random Forest az iparágban széles körben használt osztályozási algoritmusok. Az iparban végeztek tanulmányokat, amelyek azt mutatják, hogy az XGBoost az egyik leghatékonyabb módszernek bizonyult a churnerek osztályozására.
a modell hatékonyságát a modell által végzett hamis előrejelzések határozzák meg. A modellt büntetni kell a hamis előrejelzésekért. A Confusion matrix meglehetősen jó ötletet ad a beépített modell pontosságáról
* http://www.treselle.com/blog/customer-churn-logistic-regression-with-r/
* az ügyfelek lemorzsolódása a mobil piacokon: a technikák összehasonlítása
Leave a Reply