Jak przewidzieć odejście klienta na podstawie danych

Przewidywanie odejść wykorzystuje dane i modele do oznaczania klientów lub kont, którzy prawdopodobnie opuszczą firmę, zanim to zrobią. Dzięki temu masz czas na interwencję w sprawie ofert przechowywania, wsparcia lub poprawek. W tym artykule opisano, jak działa przewidywanie rezygnacji, jakie dane i modele są z tym związane oraz jak korzystać z wyników.

Kiedy z wyprzedzeniem widzisz, kto jest zagrożony, przestajesz reagować na odwołania i zaczynasz reagować na wczesne sygnały. Zmniejsza to odpływ pracowników i chroni przychody.

Co robi przewidywanie rezygnacji

Przewidywanie odejścia przypisuje każdemu klientowi (lub kontu), prawdopodobieństwo lub ocenę ryzyka, że ​​odejdzie w określonym oknie – np. w ciągu najbliższych 30, 60 lub 90 dni. Klienci wysokiego ryzyka są traktowani priorytetowo w przypadku działań związanych z utrzymaniem: docierania do klientów, ofert specjalnych lub zarządzania sprawami. Model wykorzystuje historyczne i obecne zachowania – wykorzystanie, zaangażowanie, kontakty z pomocą techniczną, problemy z płatnościami, satysfakcję – w celu zidentyfikowania wzorców poprzedzających rezygnację. Celem jest wyłapanie klientów z grupy ryzyka na tyle wcześnie, aby coś zmienić.

Rezygnację można zdefiniować jako nieprzedłużenie umowy, anulowanie subskrypcji lub okres braku aktywności, w zależności od Twojej firmy. Definicja steruje zmienną docelową i przewidywanym oknem.

Jak działają modele

Modele zazwyczaj korzystają z uczenia nadzorowanego: w danym oknie oznaczasz dotychczasowych klientów jako „odrzuconych” lub „utrzymanych”, a następnie szkolisz model (regresja logistyczna, wzmacnianie gradientu itp.) na funkcjach sprzed tego okna. Funkcje mogą obejmować: datę i częstotliwość użytkowania, loginy lub sesje, zgłoszenia do pomocy technicznej, NPS lub satysfakcję, opóźnienia w płatnościach, staż, plan lub produkt oraz dane demograficzne lub firmograficzne. Model uczy się, które kombinacje tych sygnałów przewidują odejście klientów. Następnie stosuje się go do obecnych klientów w celu oceny ryzyka. Modele są okresowo przeszkoleni w miarę zmiany zachowania i produktu.

Najlepszą praktyką jest sprawdzanie wstrzymanych danych i śledzenie dokładności w czasie. Możesz także przeprowadzić testy A/B: czy działania retencyjne skierowane do klientów wysokiego ryzyka faktycznie zmniejszają odpływ klientów?

Wykorzystanie prognoz rezygnacji w praktyce

Dane wyjściowe to zazwyczaj ocena lub segment ryzyka (np. wysoki/średni/niski). Klienci wysokiego ryzyka są kierowani do programów utrzymania, zespołów ds. sukcesu lub ofert specjalnych. Wiele zespołów łączy ryzyko odejścia z CLV, dlatego w pierwszej kolejności traktują „wysokie ryzyko i wysoką wartość”. Wyniki rezygnacji mogą być także uwzględniane w panelach kontrolnych dotyczących stanu konta, dzięki czemu sprzedaż i sukces będą mogły zobaczyć konta obarczone ryzykiem w jednym miejscu. Z biegiem czasu można zmierzyć poprawę: czy interwencja zmniejszyła odpływ pracowników w grupie wysokiego ryzyka w porównaniu z grupą kontrolną?

Przewidywanie odejść działa najlepiej w połączeniu z analizą czynników retencji, dzięki czemu wiesz nie tylko „kto może odejść”, ale także „dlaczego” i „co może ich zatrzymać”. To informuje o rodzaju interwencji (np. przyjęcie produktu vs. ceny vs. wsparcie).

Dlaczego jest to ważne dla Twojej organizacji

Proaktywne utrzymanie jest tańsze i skuteczniejsze niż pozyskiwanie klientów po ich odejściu. Przewidywanie rezygnacji skupia wysiłki na właściwych kontach i zapewnia przejrzysty wskaźnik (wynik ryzyka, % ryzyka) do śledzenia. W połączeniu z analizą CLV i sterowników wspiera strategię pełnego utrzymania: kogo zapisać, dlaczego mogą odejść i co zrobić. Więcej informacji na temat powiązanych wskaźników znajdziesz w naszych artykułach na temat stan konta I CLV.

Aby zobaczyć, jak budujemy modele rezygnacji i programy utrzymania klientów, zapoznaj się z naszymi Modelowanie rezygnacji I Stan konta usługi. Chętnie omówimy Twoje dane i cele.

Wniosek

Zrozumienie tego tematu pomoże Ci podejmować lepsze decyzje i połączyć wiedzę z działaniem. Aby dowiedzieć się więcej o tym, jak pomagamy klientom w tym obszarze, zapoznaj się z poniższymi usługami lub skontaktuj się z nami.

Ivan Stavrev
Założyciel i dyrektor generalny