利益驱动保留管理与机器学习
企业忠诚度最高的评级和保持率收入增长了250%速度比他们的同行和交付两到五倍的股东回报超过10年的时间。获得忠诚和获得最大数量的客户留下来是在最佳利益的公司和它的客户基础。
为什么公司斗争保留?除了一些基于订阅的企业,如电信,报告每用户平均收入(ARPU),大多数公司不要求或被迫在公共文件中披露这。许多公司专注于功能优先级而不是客户,相信通过这些努力客户忠诚度自然会出现。事实上,最近的一项调查由尼尔森强调,解决“客户流失是最后一个优先级时,企业的营销目标。”
尤其成问题的越来越多的证据表明,客户正在重新考虑怎样和在哪里花他们的钱。虽然大多数研究识别这些转变的一部分对COVID消费者的反应,但事实上,这在品牌忠诚度越来越不感兴趣早于当前的危机。
在客户的终身价值交付
客户保留必须成为任何公司寻求的优先事项长期增长。在最近的一系列文章在客户生命周期价值订阅和non-subscription模型,我们研究如何保留在建立有利可图的客户关系中起着至关重要的作用。至少,客户需要在公司保持了足够长的时间,以抵消他们的收购成本,但理想关系继续提供利润远远超出。
图1所示。生产在客户生命周期的不同阶段的旅程
有效管理的关键潴留,减少流失率,发展方式的理解客户生命周期应该进步(图1),检查在一生的旅程客户可能会流失。在早期阶段,客户仍在学习他们所消费的产品和服务,如何从他们中获得益处。主动参与,鼓励采用行为最大化这些好处可以帮助客户过渡到后期的持续消费。在这些后期,通过品牌识别与客户不仅可以鼓励继续忠诚但帮助客户成为品牌大使,帮助有机给业务带来新客户,减少加载的挑战。
你救不了他们……
当客户放弃的关系,重要的是,我们明白为什么。一些生产的长期关系可能代表自然的结论终于结束。在这样的场景中,我们将继续获得价值过渡客户提供的其他产品和服务在我们的投资组合或合作伙伴组织。或者我们可能仅仅允许客户离开,内容知道满足客户可能会继续作为净推荐。
当客户提前离开,我们需要采取纠正措施。生产在早期阶段的一生的旅程可能表明困难使用产品或服务或通过他们认识价值。在后期可能表明生产减少价值真实的或者所感知到的,由于产品的变化,其交付或竞争格局。在任何阶段,业务流程等问题未能识别信用卡到期可能无意中把客户。生产的具体原因是高度多样,每一个都需要不同的回应在个体和组织两个层面。
你也不应该
解决个人时,重要的是要考虑任何纠正措施的成本和效益。每一个客户都有潜在价值的公司,派生关系的生命周期。避免生产成本是否通过促销活动,折扣或其他优惠政策不应该超过剩余价值我们可能会希望保留。我们的目标应该始终保持盈利能力。
这不仅需要仔细考虑个体的CLV但实施积极的成本保持运动。规划和管理以及相关的劳动力成本一致,持续接触必须平均(理想情况下大)分数的高危客户留存。
这是在没有办法旨在阻止组织追求保留管理策略。事实上,许多研究表明,它的成本比(或更多)获得一个新顾客比留住一个现有的,和公司可能看到增加95%的利润每个生产减少5%。不过,我们必须小心背后的宏观模式识别和解决生产继续保持压力下降,同时有选择地参与高危客户与谁有最岌岌可危。这是机器学习和预测分析可以帮助的地方。
使用机器学习来量化生产的可能性
飞机离港前的客户发出的信号通常是埋在整体客户活动的噪音。防止客户离开需要我们有一些先进的注意,通过大量历史数据的仔细检查,机器学习模型是适合的。
经典的技术,如使用逻辑回归、决策树、积极的生产检测可能对事件如生产(理想情况下)发生的频率较低(图2)。更多的现代技术,如神经网络和梯度增加树木更能捡的微妙变化模式表示搅动,但需要仔细的配置和评价。
图2。生产之间的不平衡和not-churning类在一个真实的数据集
成功的关键是远离这些模型他们会或不会他们心态,转而接受任何客户流失预测中固有的不确定性。当我们开始检查所有脆弱的客户生产的可量化的风险,从我们的计算我们可以专注于消除不确定性。配备更可靠的预测波动风险,我们可以更仔细地检查剩余CLV与个人客户和更有针对性的做出决定何时以及如何进行干预。
使用砖关注的业务结果
机器学习和数据科学一般来说并不容易。但结合数据与专业软件、管理基础设施,使模型处理和频繁的再加工,并提供输出下游业务系统不应该消耗您组织的时间。
下利用弹性云计算基础设施平台最受欢迎的机器学习库预先集成,数据科学家们立即访问所需的功能运动。bob体育客户端下载使用预先集成的框架如hyperopt和mlflow,以前费力又费时的家务优化模型的性能和配置可以自动化(图3),由一个强大的、可动态伸缩的数据处理引擎,山上的数据驻留在哪个客户信号可以快速高效地检查。
图3。模型精度相对于各种hyperparameter值
看看这些功能一起来解决客户流失预测,看看我们的解决方案加速器资产演示如何从原始数据到预测利用真实的数据: