كيفية تحسين الاستبقاء باستخدام تحليلات التنبؤ الزائدة

يستخدم التنبؤ الزخم نماذج الذكاء الاصطناعي (AI) والتعلم الآلي (ML) لتحديد العملاء المعرضين لخطر الاضطراب . باستخدام هذه المعلومات ، يمكن للشركات اتخاذ الخطوات اللازمة لتحسين مجالات أعمالها التي تسبب الاحتكاك والحفاظ على مستويات تناقص العملاء تحت السيطرة.

يتضارب العملاء لأسباب عديدة ، من تجارب خدمة العملاء السلبية إلى العثور على عروض أفضل من منافس أو نقص ملحوظ في قيمة منتجك. يعد تحسين الاحتفاظ بالعملاء والحفاظ على معدل منخفض من العملاء أمرًا حيويًا ، خاصة وأن اكتساب عملاء جدد أمر مكلف.

ما هو التنبؤ بالمخضبة؟

توقع الزخم هو عملية تستخدم فيها الشركات نماذج الذكاء الاصطناعي والتعلم الآلي للتنبؤ بالعملاء الأكثر تعرضًا لخطر إنهاء رعايتهم. يستخدم توقع الزخم بيانات العميل بناءً على سلوك المستخدم واستخدامه. يسمح التنبؤ بالحدوث المتضاربة للعملاء والوقاية منها للشركات بما يلي:

• تحديد العملاء المعرضين للخطر وتنفيذ جهود هادفة للغاية لمنعهم من الاضطراب.
• حدد نقاط الألم والاحتكاك عبر رحلة العميل.
• حدد الاستراتيجيات التي تستهدف نقاط الألم هذه لتقليل الاضطراب وزيادة معدلات الاستبقاء.

هل من الممكن فعلا التنبؤ بضغوط العملاء؟

بفضل خوارزميات التعلم الآلي والبيانات الضخمة ، فإن التنبؤ بتضخم العملاء هو في الواقع احتمال. تُستخدم تقنيات تحليل البيانات للنظر في الاتجاهات والأنماط السلوكية السابقة في سلوك العملاء.

الفكرة هي أنه يمكنك تحديد سلوكيات معينة كإجراءات تنطوي على مخاطر زائدة ومعالجتها قبل فوات الأوان. غالبًا ما يُشار إلى هذه المقاييس بمقاييس العلم الأحمر . على سبيل المثال ، قد تجد أن العملاء الذين ألغوا متابعتك على وسائل التواصل الاجتماعي أو الذين ألغوا تثبيت تطبيقك معرضون بشكل أكبر لخطر الاضطراب.

عند إجراء التنبؤ بالمخضبة ، من المهم أن تضع في اعتبارك ما يلي:

• الاستباقية هي المفتاح عندما يتعلق الأمر بالاحتفاظ بالعملاء. من المفترض أن يساعدك التنبؤ بالتخبط في إعداد خطط للتعامل مع العملاء المعرضين للخطر في اللحظة التي يتم فيها وضع علامة عليهم على هذا النحو.
• تأكد من أن أسلوب التنبؤ الخاص بك يحدد بدقة العملاء الذين من المحتمل أن يغادروا. قد يؤدي سوء تحديد العملاء المعرضين للخطر إلى إنفاق الموارد على حملات التوعية والعروض الخاصة دون سبب ، مما يؤدي إلى انخفاض الإيرادات.
• أنت بحاجة إلى نموذج تنبؤ متضارب مبني على مصادر البيانات التي تم الحصول عليها في الوقت الفعلي. تعكس هذه البيانات السلوكيات الحالية وستؤدي إلى تنبؤات أكثر دقة.

توقع زخم لشركات الاشتراك

تعتمد الشركات التي لديها نماذج أعمال تعتمد على بيع خدمات الاشتراك - B2B SaaS ، وتدفق الموسيقى ، والاتصالات السلكية واللاسلكية ، على سبيل المثال لا الحصر - على الإيرادات المتكررة التي تحققها من عملائها. يُعد التنبؤ بتضخم الاشتراكات ، وتسخير ولاء العملاء ، وزيادة قيمة عمر العميل أمرًا مهمًا بشكل خاص لمثل هذه الشركات.

خلال مقابلة مع AltexSoft ، جادل مايكل ريدبورد ، المدير العام لـ Service Hub في HubSpot ، بما يلي:

معدلات الإزعاج المرتفعة تعني إيرادات أقل بسبب انخفاض عدد العملاء. علاوة على ذلك ، من المرجح أن يترك الأشخاص الذين يتركون الشركة بسبب التجارب السيئة تعليقات سلبية ، مما يؤثر على صورتها ويزيد من صعوبة جذب عملاء جدد.

هناك أنواع عديدة من مزودي الخدمة المعتمدين على الاشتراك والذين يمكنهم الاستفادة من استخدام التنبؤ بالتخبط. بعض هذه القطاعات تشمل:

خدمات بث الموسيقى والفيديو

تقدم هذه الشركات وصولاً عند الطلب إلى الموسيقى والبرامج التلفزيونية والأفلام لمشتركيها. تشمل الأمثلة على هذه الشركات Netflix و Spotify. وفقًا لتقرير Deloitte's 2022 Digital Media Trends ، فإن خدمات بث الفيديو المدفوعة في الولايات المتحدة تتمتع بمعدل ثابت يبلغ 37٪ منذ عام 2020.

وسائل الإعلام

حولت شركات وسائل الإعلام الإخبارية تركيزها إلى الرقمية على مدى السنوات الماضية. في عام 2021 ، قال 65٪ من الناس في الولايات المتحدة إنهم لم يتلقوا أخبارهم مطلقًا أو نادرًا ما يحصلون عليها من وسائل الإعلام المطبوعة. تقدم منظمات مثل New York Times و Financial Times لعملائها حزم اشتراك رقمية حيث يمكنهم الوصول إلى المقالات الإخبارية والمعلومات من خلال منصاتهم على الإنترنت.

على الرغم من التحول إلى التطبيقات الرقمية ، لا تزال تطبيقات الأخبار على الأجهزة المحمولة تشهد معدل إلغاء التثبيت بنسبة 25٪ في عام 2022.

مقدمو خدمات الاتصالات

تقدم شركات الاتصالات مجموعة من الخدمات القائمة على الاشتراك مثل الخدمات اللاسلكية والتلفزيون والإنترنت والهاتف الخلوي. وتشمل هذه الشركات AT&T و Vodafone. في عام 2020 ، شهدت شركات الاتصالات معدل تناقص بنسبة 20٪.

شركات البرمجيات كخدمة (SaaS)

تشمل شركات SaaS أي عمل يقدم نوعًا من الخدمات المستندة إلى السحابة. يمكن أن يكون هذا أي شيء من خدمات التصميم الجرافيكي عبر الإنترنت مثل Canva إلى منصات التجارة الإلكترونية مثل Amazon.

وفقًا لـ Woopra ، فإن متوسط ​​معدل التمزق الشهري لشركات SaaS يتراوح بين 3٪ و 8٪. تتراوح النسبة بين 32 و 50٪ سنويًا.

فهم دورات حياة عملائك

قبل أن تتمكن من التنبؤ بالتخبط ، تحتاج إلى فهم دورات حياة العميل. يمكن لأداة تحليلات المنتج مثل Amplitude Analytics تقسيم المستخدمين النشطين إلى أربع مجموعات فرعية: مستخدمون جدد ، ومستخدمون (نشطون) حاليون ، ومستخدمون تم إحياءهم (غير نشطين سابقًا) ، ومستخدمون خامدون (غير نشطين). يجب عليك مراقبة كل مجموعة من المستخدمين للتأكد من نمو قاعدة مستخدمي منتجك بمرور الوقت.

يساعد هذا العرض في قياس الاضطراب بطريقة مستمرة ، بحيث يمكنك اتخاذ إجراء لتقليله. يجب أن تسعى جاهدًا لتنمية أعداد المستخدمين الحاليين والمستقبليين من خلال الحفاظ على تفاعل المستخدمين أو إعطائهم سببًا ليصبحوا نشطين مرة أخرى. سترغب أيضًا في تقليل عدد المستخدمين الخاملين ؛ إذا بدأت هذه المجموعة في النمو ، فقد تواجه مشكلة ارتباط بين يديك.

نموذج التنبؤ المتضخم: المفتاح لتحسين الاحتفاظ بالعملاء

بفضل أدوات مثل CRMs وبرامج التحليلات ، يمكن للشركات الوصول إلى مجموعات بيانات كبيرة مليئة بالمعلومات حول عملائها طوال دورة حياتهم. تعد هذه البيانات التاريخية مهمة في بناء نموذج التنبؤ بتخبط العميل باستخدام أدوات مثل Amplitude Audiences.

يمكنك بناء نموذج التنبؤ الخاص بك باتباع خمس خطوات.

1. حدد أهدافك المتعلقة بالتنبؤ

تتمثل الخطوة الأولى لضمان الأداء الأمثل لنموذج التنبؤ بالتقلص في تحديد وتعريف ما ترغب في تحقيقه من نموذجك. على مستوى عالٍ ، أنت تهدف إلى:

• قلل استنزاف العملاء من خلال تحديد أي من عملائك هو الأكثر تعرضًا لخطر الاضطراب.
• افهم الأسباب التي قد تجعل العملاء المعرضين للخطر يتصرفون.
• تصميم وتنفيذ التغييرات في رحلة العميل لتعزيز الاحتفاظ بالعملاء المعرضين للخطر.

2. إعداد البيانات

سواء من خلال CRM أو برنامج التحليلات أو تعليقات العملاء المباشرة ، فإنك تجمع البيانات من عملائك في كل نقطة اتصال في رحلة الشراء الخاصة بهم.

يعد جمع بيانات العملاء ذات الصلة وتجهيزها للتصنيف والاستخراج هو الخطوة الثانية نحو بناء نموذج التنبؤ الخاص بك. إذا كنت تستخدم أداة تحليلات ، فاقرأ دليلنا إلى البيانات السلوكية وتتبع الأحداث لمعرفة كيفية جمع البيانات الدقيقة.

3. العمل مع الميزات

استخدم هندسة الميزات لتمثيل العملاء وتصنيفهم بناءً على الميزات التي من المحتمل أن تجعلهم يتخبطون. هناك خمسة أنواع من الميزات عند مناقشة زخم العميل:

• ميزات العميل: هي معلومات عامة وديموغرافية عن العميل ، مثل عمره ومقدار ما يكسبه ومستوى تعليمه.
• ميزات الدعم: تشير هذه إلى التفاعلات التي يجريها عملاؤك مع فريق دعم العملاء ، بما في ذلك عدد رسائل البريد الإلكتروني المرسلة ، ووقت الحل ، وتقييمات الرضا بعد حل المشكلة.
• ميزات الاستخدام: تصف هذه العناصر الخاصة بكيفية استخدام العميل لمنتجك أو خدمتك. على سبيل المثال ، متوسط ​​مدة المكالمة لعملاء شركة الاتصالات أو عدد المرات التي يسجل فيها المستخدمون الدخول إلى التطبيق.
• الميزات السياقية: تتضمن أي معلومات تستند إلى السياق لدى الشركة عن العميل. قد يكون هذا هو نظام التشغيل الذي يستخدمونه على أجهزتهم أو مشترياتهم السابقة.
• الميزات السلوكية : هذه هي السلوكيات والإجراءات المحددة التي يتخذها العملاء داخل منتجك. على سبيل المثال ، عدد المرات التي يشارك فيها المستخدم قائمة تشغيل في تطبيق بث الموسيقى.

بمجرد تحديد الميزات التي يجب التركيز عليها ، ستحتاج إلى استخراجها لتوحيد المتغيرات أو السمات. يجب عليك فقط تحديد المعلومات ذات الصلة بتحليل الزخم.

4. بناء النموذج الخاص بك

تعمل خوارزميات ML عادةً باستخدام التصنيف الثنائي ، الذي ينظم المتغيرات المستهدفة ويمنحها قيمة صحيحة أو خاطئة. بمعنى آخر ، هل تسببت هذه الميزة المحددة في تخبط العميل أم لا؟ على سبيل المثال ، هل تؤدي إزالة التطبيق من هواتفهم عادةً إلى غضب العميل؟

نموذج تنبؤي شائع آخر هو شجرة القرار ، التي تستخدم أي ميزات متاحة وتقدم نتائج محتملة. سيوفر نموذج شجرة القرار سيناريوهات متعددة لمعرفة ما إذا كان العميل سوف يتخبط أم لا.

في حالة الشركات التي تعمل مع مجموعات بيانات أكبر ، يمكنك بناء نماذج تنبؤية على العديد من أشجار القرار ، والتي يشار إليها أيضًا باسم الغابة العشوائية. في غابة عشوائية ، كل شجرة قرار لها تصنيف بإجابة إيجابية أو سلبية. إذا قدمت غالبية أشجار القرار إجابات إيجابية ، فسيكون التنبؤ النهائي إيجابيًا.

5. مراقبة النموذج الخاص بك

بمجرد أن يصبح نموذجك جاهزًا ، فقد حان الوقت لدمجه في أداة التنبؤ الخاصة بك. باستخدام هذه الأداة ، يمكنك اختبار أداء النموذج ومراقبته وإجراء أي تعديلات على الميزات إذا لزم الأمر. تقوم بتنفيذ النموذج الذي اخترته وإرساله إلى الإنتاج. إذا كان يعمل بشكل جيد ، فيمكنك إما تحديث تطبيقك الحالي أو استخدامه كنقطة تركيز لمنتج جديد.

بناء نموذج تنبؤ في أداة التحليل

دعنا نتعرف على كيفية بناء نموذج تنبؤ في أداة تحليلات مثل Amplitude.

1. تحديد مجموعة بداية أو مجموعة من المستخدمين

2. توقع حالة النتيجة المستقبلية

تستخدم التنبؤات السلوك السابق للتنبؤ بالسلوك المستقبلي. ستنظر أداة تحليلات مثل Amplitude في المستخدمين الذين كانوا في مجموعة البداية قبل فترتين وتحدد المستخدمين الذين وصلوا إلى النتيجة المرجوة منذ فترة واحدة ، وكذلك أولئك الذين لم يفعلوا ذلك.

3. تصنيف وتسجيل المستخدمين بناءً على هذا النموذج

يحسب النموذج التنبئي درجة احتمالية لكل مستخدم في مجموعة البداية للوصول إلى النتيجة المرجوة في الأيام السبعة أو الثلاثين أو الستين أو التسعين التالية. يعيد النموذج التدريب كل يوم لحساب البيانات الموسمية.

الصورة أدناه تبدو في أعلى 5٪.

4. استخدم المجموعات التنبؤية لإبلاغ المنتج واستراتيجيات التسويق

يمكنك استخدام المجموعات النموذجية التنبؤية لتقسيم المستخدمين بناءً على احتمالية حدوث اضطراب. حوّل المستخدمين المصنفين لديك من الخطوة 3 إلى مجموعة نموذجية جديدة وأعد استهدافهم من خلال:

• تضمينهم في حملات التسويق المصممة لزيادة الاستبقاء
• تقديم أسعار ديناميكية ، بما في ذلك الأسعار المخفضة أو العروض الخاصة
• إضفاء الطابع الشخصي على المحتوى وتجارب المنتج بناءً على تفضيلاتهم
• تعديل تردد الرسائل بناءً على احتمالية التحويل أو الانسحاب
• إجراء اختبارات A / B المخصصة لتجربة تغييرات موقع الويب أو المنتج الجديد

على سبيل المثال ، إذا وجدت مجموعة من المستخدمين لديهم احتمالية عالية للتخبط ، فيمكنك استخدام أساليب التسعير العكسي لتزويدهم بخصم أو حافز أكبر.

الشروع في تحليلات التنبؤ بالتخبط

على الرغم من مدى التعقيد الذي قد يبدو عليه التنبؤ بالاضطراب ، فمن السهل القيام بذلك باستخدام الأدوات المناسبة. تعمل Amplitude على تمكين الفرق غير الفنية من بناء نماذج معقدة للذكاء الاصطناعي دون كتابة تعليمات برمجية أو الاعتماد على الموارد الهندسية والتبعيات. ما عليك سوى استخدام واجهة الخدمة الذاتية مع إجراءات التأشير والنقر لإنشاء نموذج قوي للتنبؤ بالحدوث وتقليله. جربها بنفسك مجانًا مع خطة بدء تشغيل Amplitude.

شاهد الفيديو أدناه لمعرفة كيفية حساب التغيير في تجربة الخدمة الذاتية التجريبية.

مراجع

• اكتساب العملاء مقابل تكاليف الاحتفاظ ، Invesp
• توقع زخم العملاء للأعمال التي يتم الاشتراك فيها باستخدام التعلم الآلي: الأساليب والنماذج الرئيسية ، AltexSoft
• معدل التموج مقابل معدل الاحتفاظ: كيفية حساب مؤشرات الأداء الرئيسية SaaS هذه ، Woopra