Прогнозиране на отлива на клиенти с данни

Когато клиентът се откаже, решението отдавна е взето. Той е спрял да влиза в системата още преди месец, понижил е плана си, оставил е тикет за поддръжка без отговор и тихомълком е пробвал алтернатива. Отказът е само формалност.

Трудното не е да реагирате на тази формалност. Трудното е да разчетете отдръпването преди нея, докато още има какво да се спаси.

Повечето клиенти си тръгват мълчаливо и точно затова са предвидими

Инстинктът е да изчакате оплакване. Точно този инстинкт е проблемът. Огромната част от недоволните клиенти така и не казват нищо. Просто използват продукта по-малко, подновяват с колебание и в един момент си тръгват.

Мълчанието не значи липса на сигнал. Клиентът, който се кани да си тръгне, се държи различно дълго преди да предприеме каквото и да е. Влизанията оредяват. Усвояването на нови функции спира. Контактите с поддръжката рязко скачат или изчезват напълно. Фактурите се плащат със закъснение. Никой от тези сигнали не е решаващ сам по себе си, но заедно очертават модел – а именно моделите разчитат алгоритмите.

Какво всъщност дава един модел за отлив

Моделът за отлив дава на всеки клиент вероятност да си тръгне в рамките на определен период – следващите 30, 60 или 90 дни. Обучавате го, като маркирате минали клиенти за отлели се или задържани, и така той научава кои комбинации от поведение разделят двете групи. Колко отдавна е клиент, кога и колко често използва продукта, историята на поддръжката, оценките за удовлетвореност, забавените плащания, типът план – всичко това тежи.

Резултатът не е табло с показатели. Той е подредена по приоритет опашка: акаунтите с най-голяма вероятност да си тръгнат, и то най-скоро, наредени така, че усилието по задържане да отиде там, където променя изхода, а не там, където е най-шумно.

Да знаете кой ще си тръгне е половин отговор. Другата половина е защо и какво ще го накара да остане.

Финансовата логика да го направите както трябва никак не е за пренебрегване. Задържането се натрупва така, както привличането никога не може.

Същата сметка обяснява защо превенцията бие заместването. Да замените загубен клиент е най-скъпият начин да растете.

Затова и бюджетите се изместиха. За първи път компаниите харчат повече, за да задържат клиентите, които имат, отколкото да гонят тези, които нямат.

Един модел струва точно колкото действието, което поражда

Прогноза без намеса е просто по-точен начин да гледате как клиентите си тръгват. Екипите, които наистина местят показателя, гледат на модела като на първа стъпка от цикъл, а не като на последна дума.

1. Определете какво е отлив за вашия бизнес, а не абстрактно. Неподновяване, отказ или праг на неактивност – всяко от тях води до различна целева променлива и различен период. Сбъркате ли тук, всичко след това ще е сбъркано.
2. Преценявайте риска спрямо стойността, не сам по себе си. Високорисков и ценен акаунт заслужава друга реакция от високорисков, но маловажен. Когато наложите вероятността за отлив върху жизнената стойност на клиента, опашката се подрежда според това, което реално е заложено.
3. Свържете оценката с причината. Анализът на факторите за задържане отговаря на въпроса, на който вероятността не може: дали този клиент си тръгва заради цена, заради усвояване на продукта или заради обслужване – и кой лост го движи.
4. Съобразете намесата с причината. Притеснение за цената и пропуск в онбординга изискват противоположни ходове. Моделът посочва; анализът на факторите се прицелва.
5. Мерете ефекта спрямо контролна група. Прилагайте намесите върху рисковата група, а една контролна група оставете настрана. Ако групата с намеси не се отлива по-малко, програмата е театър, а не задържане.

Къде се проявява стойността

Моделът за отлив, който захранва цикъл на задържане, променя икономиката на клиентската база. Той измества екипа от това да реагира на откази, които вече не може да обърне, към това да действа по ранни сигнали, по които все още може. Напредналата аналитика, приложена към клиентското пътуване, може да свали отлива с до 15 процента, а клиентите, които спасява, са най-евтиният растеж, който един бизнес изобщо може да си купи.

За да видите как изграждаме прогнозирането и програмите за задържане около него, разгледайте нашата работа по Churn Modeling или вижте казусите.