pozyskanie i utrzymanie klientów jest bardzo trudne na dzisiejszym rynku o wysokiej wrażliwości. Bardzo ważne stało się poznanie klienta i jego zachowanie. W cyklu życia zarządzania klientem, rezygnacja klienta odnosi się do decyzji podjętej przez Klienta o zakończeniu relacji biznesowych. Jest to również określane jako utrata klientów lub klientów. Zgodnie z zasadą rentowności klienta 80/20, 20% klientów generuje 80% przychodów. Tak, to jest bardzo ważne, aby przewidzieć użytkowników, którzy mogą odejść od relacji biznesowych i czynniki wpływające na decyzje klientów.
ponieważ pozyskiwanie nowych klientów jest wyzwaniem, bardzo ważne jest utrzymanie obecnych klientów. Rezygnację można zmniejszyć poprzez systematyczną analizę przeszłości potencjalnych klientów. Duże dane są utrzymywane o klientach i na wykonanie odpowiedniej analizy na tym samym jest możliwe, aby przewidzieć prawdopodobnych klientów, które mogą churn. Informacje, które są dostępne, mogą być analizowane na różne sposoby, a tym samym zapewniają różne sposoby dla operatorów, aby przewidzieć ubijanie i uniknąć tego samego.
segmentacja i grupowanie
klient prawdopodobnie odejdzie, jeśli nie dokonał zakupu przez określony czas, może wynosić od 6 do 8 miesięcy. Jest to definicja powszechnie akceptowana w różnych branżach. Zanim jednak zdefiniujemy churn, ważne jest, aby zrozumieć, że ta definicja nie jest całkowicie prawdziwa dla branży handlu internetowego. Również profil klienta może mieć wiele wartości odstających, które powinny być wyeliminowane i populacja kontroli musi być zdefiniowana.
Klient może należeć do różnych segmentów lub klastrów w oparciu o zachowanie zakupowe klienta, a wskaźnik churn wszystkich tych klastrów nie będzie taki sam. Np. klient może być kupującym w pełnej cenie lub może należeć do klastra, który dokonuje zakupów tylko w sezonie wyprzedażowym. Wskaźnik churn dla obu tych segmentów nie będzie taki sam. W przypadku stron internetowych takich jak Flipkart i Amazon, które sprzedają wszystko na swojej platformie, klastry można podzielić na podstawie kategorii produktów zakupionych przez Klienta. Stąd stopa churn klienta, który kupuje tylko Elektronika nie będzie taka sama jak klient, który kupuje codzienne produkty do domu potrzebuje, ponieważ częstotliwość kupowania codziennych produktów do domu potrzebuje jest wyższa niż kupowanie elektroniki. Mogą istnieć inne czynniki, które wpływają na segmenty, takie jak wielkość koszyka każdej transakcji, sezonowość i częstotliwość zakupów itp.
techniki klastrowania mogą być używane do identyfikacji klastrów, a następnie użyć analizy predykcyjnej na klastrach w celu identyfikacji klientów, którzy mogą zostać wycofani
Churn i regresji logistycznej
regresja logistyczna jest używana do przewidywania prawdopodobieństwa, że klient odejdzie lub nie.
zestawy danych Klienta są analizowane w celu utworzenia równań regresji. Następnie przeprowadza się proces oceny każdego klienta w zbiorze danych. Klient może być zagrożony odejściem, jeśli wartość p dla klienta jest większa niż wstępnie zdefiniowana wartość (np. 0,5). Analiza regresji musi być przetwarzana z ostrożnością, ponieważ może dawać mylące wyniki. Wielokolinearność wynikająca z silnych korelacji między zmiennymi niezależnymi jest czynnikiem niepokojącym w modelach regresji logistycznej. Istnienie silnej wielokolinearności prowadzi do błędnych wniosków na temat zależności między zmiennymi niezależnymi i zależnymi, ponieważ zawyża wariancje estymacji parametru i daje niewłaściwą wielkość współczynnika regresji. W pewnych okolicznościach regresja logistyczna może być używana do przybliżania i reprezentowania systemów nieliniowych, mimo że jest to podejście liniowe.
Churn Scoring i targetowanie
Churn Scoring to metoda, którą wielu sprzedawców stosuje w celu określenia wyniku churn swojego klienta. To dodatkowo definiuje zasięg klienta, pozycjonowanie i marketing. W większości przypadków jest to wynik prawdopodobieństwa, który przekazuje potencjalną lojalność klienta.
wynik churn tworzy różne segmenty klienta na podstawie jego profilu churn. Mogą to być Ubijacze, lojalni klienci, potencjalni Ubijacze lub ambiwalencja klientów. Na podstawie segmentów churn można podjąć decyzję, czy zaoferować potencjalnemu Churnerowi specjalne korzyści, czy zaoferować programy lojalnościowe Lojalnemu klientowi.
algorytm klasyfikacji
model przewidywania Churn jest ważny w branży detalicznej, aby zidentyfikować klientów, którzy prawdopodobnie odejdą z ich istniejącej listy aktywnych klientów. Drzewo decyzyjne jest dobrym wskaźnikiem do zidentyfikowania, ponieważ większość danych uzyskanych w branży detalicznej jest w większości kategoryczna.
CART, XGBoost i Random Forest są powszechnie stosowanymi algorytmami klasyfikacji w branży. Przeprowadzono badania w branży, które pokazują, że XGBoost okazał się jedną z najskuteczniejszych metod klasyfikacji ubijaków.
sprawność modelu zależy od fałszywych prognoz wykonanych przez model. Model powinien zostać ukarany za fałszywe przewidywania. Macierz splątań daje dość dobre wyobrażenie o dokładności zbudowanego Modelu
· http://www.treselle.com/blog/customer-churn-logistic-regression-with-r/
· odejście klientów na rynkach mobilnych: porównanie Technik
Leave a Reply