kundförvärv och retention är mycket svårt i dagens högkänsliga marknad. Det har blivit mycket viktigt att känna din kund och kunna behålla den. I kundhanteringens livscykel hänvisar kundbortfall till ett beslut som fattats av kunden om att avsluta affärsrelationen. Det kallas också förlust av kunder eller kunder. Enligt 80/20 kundlönsamhetsregel genererar 20% av kunderna 80% av intäkterna. Så, det är mycket viktigt att förutsäga användarna sannolikt att pressa från affärsrelation och de faktorer som påverkar kundens beslut.
eftersom det är utmanande att skaffa nya kunder är det mycket viktigt att behålla de nuvarande kunderna. Churn kan minskas genom att systematiskt analysera de potentiella kundernas tidigare historia. Stora data upprätthålls om kunderna och på att utföra en korrekt analys på samma är det möjligt att förutsäga de sannolika kunder som kan churn. Den information som finns tillgänglig kan analyseras på olika sätt och därmed ge olika sätt för operatörerna att föreställa sig kärningen och undvika detsamma.
segmentering och Clustering
en kund kommer sannolikt att churn om han inte har gjort ett köp under en viss tid, kan vara någon gång mellan 6 till 8 månader. Och detta är den definition som är allmänt accepterad i alla branscher. Men innan vi definierar churn är det viktigt att förstå att denna definition inte är helt sant för online detaljhandeln. Även en kundprofil kan ha många avvikare som bör elimineras och en kontrollpopulation måste definieras.
kunden kan tillhöra olika segment eller kluster baserat på kundens köpbeteende och churnhastigheten för alla dessa kluster kommer inte att vara densamma. För t.ex. en kund kan vara en fullprisköpare eller kan tillhöra ett kluster som gör inköp endast under försäljningssäsongen. Churnhastigheten för båda dessa segment kommer inte att vara densamma. För webbplatser som Flipkart och Amazon som säljer allt på sin plattform kan kluster delas baserat på kategorin av de produkter som köps av kunden. Därför churn graden av en kund som bara köper elektronik kommer inte att vara samma som den kund som köper dagliga hem behöver produkter eftersom frekvensen av att köpa dagliga hem behöver produkter är högre än att köpa elektronik. Det kan finnas andra faktorer som påverkar segmenten som korgstorleken för varje transaktion, säsongsmässighet och inköpsfrekvens etc.
Klustertekniker kan användas för att identifiera klusterna och sedan använda prediktiv analys på klusterna för att identifiera de kunder som sannolikt kommer att få churned out
Churn och logistisk Regression
logistisk regression används för att förutsäga sannolikheten för att kunden kommer att churn eller inte.
kunddata uppsättningar analyseras för att bilda regressionsekvationerna. En utvärderingsprocess för varje kund i datamängden utförs sedan. En kund kan vara i riskzonen för churn om p-värdet för kunden är större än ett fördefinierat värde (t.ex. 0,5). Regressionsanalys måste behandlas med försiktighet eftersom det kan ge vilseledande resultat. Multikollinearitet som härrör från starka korrelationer mellan oberoende variabler är en oroande faktor i logistiska regressionsmodeller. Förekomsten av stark multikollinearitet leder till felaktiga slutsatser om förhållanden mellan oberoende och beroende variabler eftersom det blåser upp variationerna i parameteruppskattningarna och ger fel storlek på regressionskoefficienten. Under vissa omständigheter kan logistisk regression användas för att approximera och representera olinjära system trots att det är ett linjärt tillvägagångssätt.
Churn Scoring och Targeting
Churn Scoring är en metod som många återförsäljare använder för att bestämma churn-poängen för deras kund. Detta definierar vidare kundens uppsökande, positionering och marknadsföring. I de flesta fall är detta en sannolikhetspoäng som förmedlar kundens potentiella lojalitet.
churn-poängen skapar olika segment av kunden baserat på deras churn-profil. De kan vara Churners, lojala kunder, potentiella Churners eller Kundambivalens. Baserat på churn-segmenten kan beslut fattas om att erbjuda en potentiell Churner med speciella fördelar eller att erbjuda lojalitetsprogram till en lojal kund.
Klassificeringsalgoritm
Churn Prediction-modellen är viktig i detaljhandeln för att identifiera de kunder som sannolikt kommer att churn från sin befintliga lista över aktiva kunder. Beslutsträd är ett bra mått att identifiera för att churn eftersom de flesta data som erhållits i detaljhandeln är mestadels kategoriska.
CART, XGBoost och Random Forest är de allmänt använda klassificeringsalgoritmerna i branschen. Det har gjorts studier i branschen som visar att XGBoost har visat sig vara en av de mest effektiva metoderna för att klassificera churners.
effektiviteten hos modellen bestäms av de falska förutsägelser som gjorts av modellen. Modellen bör straffas för de falska förutsägelserna. Förvirringsmatris ger en ganska bra uppfattning om noggrannheten hos den inbyggda modellen
· http://www.treselle.com/blog/customer-churn-logistic-regression-with-r/
· * Kundkärna på mobilmarknader: en jämförelse av tekniker
Leave a Reply