利润驱动的保留管理与机器学习

通过布莱恩史密斯，Rob猎隼和赫克托耳Leano

2020年8月24日在工程的博客

分享这篇文章

拥有最高忠诚度和留存率的公司收入增长250%比同行更快，在10年时间里为股东带来了2到5倍的回报。赢得忠诚度，让最多的客户留在身边，这对公司和客户群体都是最有利的。

那么，为什么公司会在用户留存问题上苦苦挣扎呢?除了一些基于订阅的企业(如电信)会报告每用户平均收益(ARPU)外，大多数公司都没有被要求或强制在公开文件中披露这一数据。许多公司专注于功能优先级，而不是客户，认为通过这些努力，客户忠诚度自然会产生。事实上,尼尔森最近的一项调查强调解决“客户流失是公司营销目标的最后一个优先事项。”

鉴于越来越多的证据表明，消费者正在重新考虑如何以及在哪里花钱，这一点尤其成问题。虽然大多数研究都认为这些变化是消费者对新冠疫情的反应在美国，人们对品牌忠诚度越来越不感兴趣早于当前的危机．

价值是在客户的生命周期内交付的

保留客户必须成为任何寻求客户的公司的首要任务长期增长．在最近的一系列关于客户终身价值的文章中订阅和non-subscription在模型中，我们研究了留存率在建立有利可图的客户关系中如何发挥关键作用。至少，客户需要保持足够长时间的接触，以抵消公司的获取成本，但理想的关系能够继续带来远远超过这一点的利润。

图1所示。在客户生命周期的不同阶段流失

有效管理留存率和降低流失率的关键在于理解如何有效地留住员工客户生命周期应该进行(图1)，并检查在整个生命周期中客户可能流失的地方。在早期阶段，客户仍然在学习他们正在消费的产品和服务，以及如何最好地从中获得利益。积极的参与鼓励采用最大化这些利益的行为，可能有助于将客户过渡到持续消费的后期阶段。在这些后期阶段，通过品牌识别与客户建立联系，不仅可以鼓励客户继续保持忠诚度，还可以帮助客户成为品牌大使，有助于有组织地为企业带来新客户，减少入职挑战。

你不可能拯救所有人……

当客户放弃与客户的关系时，了解原因是很重要的。一些流失可能代表着一段长期关系的自然结束，这段关系终于走到了尽头。在这种情况下，我们可以通过将客户转换到我们组合中的其他产品和服务或由合作伙伴组织提供的其他产品和服务来继续获得价值。或者我们可以简单地让客户离开，因为我们知道一个满意的客户很可能会继续作为一个净推广者。

当客户过早离开时，我们需要采取纠正措施。在人生旅途的早期阶段，流失可能表明在使用产品或服务或通过它们认识到价值方面存在困难。后期阶段的流失可能表明减少价值无论是真实的还是感觉上的，都是由于产品、交付方式或竞争格局的变化。在任何阶段，业务流程问题(如未能识别到期信用卡)都可能无意中将客户排挤出去。员工流失的具体原因千差万别，每一种原因在个人和组织层面都需要不同的应对方式。

你不应该尝试

在处理个人问题时，重要的是要考虑任何纠正措施的成本和收益。每个客户对公司都有潜在的价值，这种价值是在关系的生命周期中产生的。无论是通过促销、折扣还是其他激励措施，避免流失的成本都不应超过剩余价值我们可能希望保存。我们的目标应该始终是保持盈利。

这不仅需要仔细考虑个人的CLV，还需要考虑实施积极留存活动的整体成本。规划和管理以及与持续、持续参与相关的人工成本必须在保留的风险客户(理想情况下很大)的比例上进行平均。

这绝不是为了阻止组织采用保留管理策略。事实上，大量研究表明，这是有代价的5次(或更多)获得一个新客户比保留一个现有的客户更重要，公司可能会认为这是一个利润增加95%每减少5%的流失率。尽管如此，我们必须谨慎地认识和解决人员流失背后的宏观层面模式，以降低留住客户的压力，同时也有选择性地吸引那些风险最大的客户。这就是机器学习和预测分析可以发挥作用的地方。

使用机器学习来量化流失的可能性

客户在出发前发出的信号往往被淹没在整体客户活动的噪音中。为了防止客户离开，我们需要通过仔细检查大量历史数据来获得一定数量的提前通知，这是机器学习模型最适合做的事情。

用于主动流失检测的经典技术，如使用逻辑回归或决策树，可能对(理想情况下)低频率发生的流失等事件不敏感(图2)。更现代的技术，如神经网络和梯度增强树，更能发现表示流失的模式中的微妙变化，但需要仔细配置和评估才能做到这一点。

图2。真实数据集中频繁类和不频繁类之间的不平衡

使用这些模型成功的关键是远离他们会或不会他们相反，要接受任何流失预测中固有的不确定性。当我们开始检查所有易受影响的客户是否具有可量化的流失风险时，我们可以专注于消除计算中的不确定性。有了更可靠的流失风险预测，我们可以更仔细地检查与个别客户相关的剩余CLV，并就何时以及如何进行干预做出更有针对性的决策。