Acquisizione e fidelizzazione dei clienti è molto difficile nel mercato ad alta sensibilità di oggi. È diventato molto importante conoscere il tuo cliente ed essere in grado di mantenerlo. Nel ciclo di vita della gestione del cliente, il churn del cliente si riferisce a una decisione presa dal cliente sulla fine del rapporto commerciale. Viene anche indicato come perdita di clienti o clienti. Secondo la regola della redditività del cliente 80/20, il 20% dei clienti sta generando l ‘ 80% delle entrate. Quindi, è molto importante prevedere gli utenti che potrebbero sfornare dal rapporto commerciale e dai fattori che influenzano le decisioni del cliente.
Poiché l’acquisizione di nuovi clienti è impegnativa, è molto importante mantenere i clienti attuali. Churn può essere ridotto analizzando la storia passata dei potenziali clienti sistematicamente. Vengono mantenuti grandi dati sui clienti e eseguendo una corretta analisi sugli stessi è possibile prevedere i probabili clienti che potrebbero sfornare. Le informazioni che sono disponibili possono essere analizzate in modi diversi e quindi fornire vari modi per gli operatori di prevedere la zangolatura ed eludere la stessa.
Segmentazione e Clustering
Un cliente rischia di sfornare se non ha effettuato un acquisto per un periodo di tempo specificato, può essere tra i 6 e gli 8 mesi. E questa è la definizione che è ampiamente accettata in tutte le industrie. Ma prima di definire churn è importante capire che questa definizione non è completamente vero per l’industria retail online. Anche un profilo cliente può avere molti valori anomali che dovrebbero essere eliminati e una popolazione di controllo deve essere definito.
Il cliente può appartenere a segmenti o cluster diversi in base al comportamento di acquisto del cliente e il tasso di abbandono di tutti questi cluster non sarà lo stesso. Ad esempio, un cliente può essere un acquirente a prezzo pieno o può appartenere a un cluster che effettua acquisti solo durante la stagione di vendita. Il tasso di abbandono per entrambi questi segmenti non sarà lo stesso. Per i siti web come Flipkart e Amazon che vendono tutto sulla loro piattaforma, i cluster possono essere suddivisi in base alla categoria dei prodotti acquistati dal cliente. Quindi il tasso di abbandono di un cliente che acquista solo l’elettronica non sarà lo stesso del cliente che acquista prodotti per la casa quotidiana perché la frequenza di acquisto di prodotti per la casa quotidiana è superiore all’acquisto di elettronica. Ci possono essere altri fattori che influenzano i segmenti come la dimensione del paniere di ogni transazione, la stagionalità e la frequenza degli acquisti ecc.
Le tecniche di clustering possono essere utilizzate per identificare i cluster e quindi utilizzare l’analisi predittiva sui cluster per identificare i clienti che potrebbero essere sfornati
Churn e Regressione logistica
La regressione logistica viene utilizzata per prevedere la probabilità che il cliente si sfornerà o meno.
I set di dati dei clienti vengono analizzati per formare le equazioni di regressione. Viene quindi eseguito un processo di valutazione per ciascun cliente nel set di dati. Un cliente può essere a rischio di abbandono se il valore p per il cliente è maggiore di un valore predefinito (ad esempio 0,5). L’analisi di regressione deve essere elaborata con cautela poiché può dare risultati fuorvianti. La multicollinearità derivante da forti correlazioni tra variabili indipendenti è un fattore preoccupante nei modelli di regressione logistica. L’esistenza di una forte multicollinearità porta a conclusioni errate sulle relazioni tra variabili indipendenti e dipendenti poiché gonfia le varianze delle stime dei parametri e fornisce una grandezza errata del coefficiente di regressione. In determinate circostanze, la regressione logistica può essere utilizzata per approssimare e rappresentare sistemi non lineari nonostante sia un approccio lineare.
Churn Scoring e Targeting
Churn Scoring è un metodo che molti rivenditori adottano per determinare il punteggio churn del loro cliente. Questo definisce ulteriormente la sensibilizzazione del cliente, il posizionamento e il marketing. Nella maggior parte dei casi si tratta di un punteggio di probabilità che trasmette la potenziale fedeltà del cliente.
Il punteggio churn crea diversi segmenti del cliente in base al loro profilo churn. Possono essere zangolatori, clienti fedeli, potenziali zangolatori o ambivalenza del cliente. Sulla base della decisione segmenti churn può essere presa se offrire un potenziale Churner con benefici speciali o per offrire programmi di fidelizzazione a un cliente fedele.
Algoritmo di classificazione
Modello di previsione Churn è importante nel settore retail per identificare i clienti che sono suscettibili di churn dalla loro lista esistente di clienti attivi. L’albero decisionale è una buona metrica da identificare per sfornare perché la maggior parte dei dati ottenuti nel settore della vendita al dettaglio è per lo più categorica.
CART, XGBoost e Random Forest sono gli algoritmi di classificazione ampiamente utilizzati nel settore. Ci sono stati studi fatti nel settore che dimostra che XGBoost hanno dimostrato di essere uno dei metodi più efficaci per classificare i churner.
L’efficienza del modello è determinata dalle false previsioni eseguite dal modello. Il modello dovrebbe essere penalizzato per le false previsioni. Confusione matrix dà una buona idea circa la precisione del modello costruito
· http://www.treselle.com/blog/customer-churn-logistic-regression-with-r/
· Cliente Churn nei mercati mobili: un confronto di tecniche
Leave a Reply