Jak poprawić retencję dzięki analizie przewidywania rezygnacji

Prognozowanie rezygnacji wykorzystuje modele sztucznej inteligencji (AI) i uczenia maszynowego (ML) do identyfikowania klientów zagrożonych odejściem . Dzięki tym informacjom firmy mogą podjąć niezbędne kroki, aby zoptymalizować obszary swojej działalności, które powodują tarcia i utrzymać pod kontrolą poziom utraty klientów.

Klienci odchodzą z wielu powodów, od negatywnych doświadczeń związanych z obsługą klienta po znajdowanie lepszych ofert od konkurencji lub postrzegany brak wartości produktu. Poprawa retencji klientów i utrzymanie niskiego wskaźnika churn ma kluczowe znaczenie, zwłaszcza że pozyskiwanie nowych klientów jest kosztowne.

Co to jest przewidywanie rezygnacji?

Przewidywanie rezygnacji to proces, w którym firmy wykorzystują modele AI i ML do prognozowania, którzy klienci są najbardziej narażeni na zakończenie swojego patronatu. Przewidywanie rezygnacji wykorzystuje dane klientów na podstawie zachowania i użytkowania użytkownika. Przewidywanie i zapobieganie rezygnacji klientów pozwala firmom:

• Identyfikuj zagrożonych klientów i wdrażaj wysoce ukierunkowane działania, aby powstrzymać ich od rezygnacji.
• Identyfikuj problemy i tarcia na ścieżce klienta.
• Zidentyfikuj strategie, które ukierunkowane są na te problemy, aby zmniejszyć odejście i zwiększyć wskaźniki retencji.

Czy rzeczywiście można przewidzieć odejście klientów?

Dzięki algorytmom uczenia maszynowego i big data przewidywanie churnu jest tak naprawdę możliwe. Techniki analizy danych służą do spojrzenia na przeszłe trendy i wzorce zachowań klientów.

Chodzi o to, aby można było zidentyfikować określone zachowania jako działania zwiększające ryzyko rezygnacji i zająć się nimi, zanim będzie za późno. Są one często określane jako wskaźniki ostrzegawcze . Na przykład może się okazać, że klienci, którzy przestają Cię obserwować w mediach społecznościowych lub odinstalowują Twoją aplikację, są bardziej narażeni na ryzyko rezygnacji.

Przeprowadzając przewidywanie rezygnacji, należy pamiętać o następujących kwestiach:

• Proaktywność jest kluczem do utrzymania klientów. Prognozowanie rezygnacji powinno pomóc w ustaleniu planów angażowania klientów zagrożonych w momencie, gdy zostaną oni oznaczeni jako tacy.
• Upewnij się, że Twoja technika przewidywania rezygnacji dokładnie identyfikuje klientów, którzy prawdopodobnie odejdą. Błędna identyfikacja zagrożonych klientów może prowadzić do wydawania zasobów na kampanie informacyjne i oferty specjalne bez powodu, co skutkuje zmniejszeniem przychodów.
• Potrzebujesz modelu predykcji rezygnacji, opartego na źródłach danych uzyskanych w czasie rzeczywistym. Te dane odzwierciedlają obecne zachowania i doprowadzą do dokładniejszych prognoz.

Prognozy rezygnacji dla firm abonamentowych

Firmy, których modele biznesowe opierają się na sprzedaży usług subskrypcyjnych — między innymi SaaS B2B, strumieniowanie muzyki i telekomunikacja — polegają na stałych przychodach, jakie generują od swoich klientów. Przewidywanie rezygnacji z subskrypcji, wykorzystanie lojalności klientów i zwiększanie wartości życiowej klienta są szczególnie ważne dla takich firm.

Podczas wywiadu z AltexSoft, ówczesny dyrektor generalny Service Hub w HubSpot, Michael Redbord, przekonywał, że:

Wysokie wskaźniki churn oznaczają mniejsze przychody ze względu na mniejszą liczbę klientów. Co więcej, osoby, które opuszczają firmę z powodu złych doświadczeń, często wystawiają negatywne recenzje, wpływając na jej wizerunek i jeszcze bardziej utrudniając pozyskiwanie nowych klientów.

Istnieje wiele rodzajów dostawców usług opartych na subskrypcji, którzy mogą skorzystać na przewidywaniu rezygnacji. Niektóre z tych sektorów obejmują:

Usługi przesyłania strumieniowego muzyki i wideo

Firmy te oferują swoim subskrybentom dostęp na żądanie do muzyki, programów telewizyjnych i filmów. Przykładami takich firm są Netflix i Spotify. Zgodnie z raportem Deloitte Digital Media Trends z 2022 r., płatne usługi przesyłania strumieniowego wideo w USA mają stały wskaźnik rezygnacji na poziomie 37% od 2020 r.

Media informacyjne

W ostatnich latach firmy zajmujące się mediami informacyjnymi skoncentrowały się na technologii cyfrowej. W 2021 r. 65% osób w USA stwierdziło, że nigdy lub rzadko otrzymywało wiadomości z mediów drukowanych. Organizacje takie jak The New York Times i Financial Times oferują swoim klientom cyfrowe pakiety subskrypcji, w których mogą uzyskać dostęp do artykułów prasowych i informacji za pośrednictwem swoich platform internetowych.

Pomimo przejścia na technologię cyfrową, w 2022 roku mobilne aplikacje informacyjne nadal miały wskaźnik odinstalowywania wynoszący 25%.

Dostawcy usług telekomunikacyjnych

Firmy telekomunikacyjne oferują szereg usług opartych na abonamencie, takich jak usługi bezprzewodowe, telewizyjne, internetowe i komórkowe. Do takich firm należą AT&T i Vodafone. W 2020 roku firmy telekomunikacyjne doświadczyły 20% współczynnika utraty danych.

Firmy Software as a Service (SaaS)

Firmy SaaS obejmują każdą firmę, która oferuje rodzaj usługi opartej na chmurze. Może to być wszystko, od usług projektowania graficznego online, takich jak Canva, po platformy e-commerce, takie jak Amazon.

Według Woopra średni miesięczny wskaźnik churn dla firm SaaS wynosi od 3% do 8%. Rocznie jest to 32-50%.

Zrozumienie cyklu życia klienta

Zanim będziesz mógł przewidzieć odejście, musisz zrozumieć cykle życia swoich klientów. Narzędzie do analizy produktów, takie jak Amplitude Analytics, może podzielić aktywnych użytkowników na cztery podgrupy: nowi użytkownicy, obecni (aktywni) użytkownicy, wskrzeszeni (wcześniej nieaktywni) użytkownicy i nieaktywni (nieaktywni). Powinieneś mieć oko na każdą grupę użytkowników, aby mieć pewność, że baza użytkowników Twojego produktu rośnie z biegiem czasu.

Ten widok pomaga w ciągłym mierzeniu rezygnacji, dzięki czemu możesz podjąć działania, aby ją zmniejszyć. Powinieneś starać się zwiększać liczbę obecnych i wskrzeszonych użytkowników, utrzymując ich zaangażowanie lub dając im powód do ponownej aktywności. Będziesz także chciał zmniejszyć liczbę nieaktywnych użytkowników; jeśli ta grupa zacznie się powiększać, możesz mieć problem z zaangażowaniem.

Model prognozowania rezygnacji: klucz do poprawy retencji klientów

Dzięki takim narzędziom, jak CRM i oprogramowanie analityczne, firmy mogą uzyskać dostęp do dużych zbiorów danych pełnych informacji o swoich klientach przez cały cykl ich życia. Te dane historyczne mają kluczowe znaczenie w tworzeniu modelu prognozowania rezygnacji klientów przy użyciu narzędzi takich jak Amplitude Audiences.

Możesz zbudować model prognozowania rezygnacji, wykonując pięć kroków.

1. Określ cele związane z przewidywaniem rezygnacji

Pierwszym krokiem do zapewnienia optymalnej wydajności modelu prognozowania rezygnacji jest zidentyfikowanie i zdefiniowanie, co chcesz osiągnąć dzięki swojemu modelowi. Na wysokim poziomie dążysz do:

• Zmniejsz utratę klientów, identyfikując, którzy z Twoich klientów są najbardziej narażeni na odejście.
• Poznaj powody, dla których zagrożeni klienci mogą odejść.
• Projektuj i wdrażaj zmiany na ścieżce klienta, aby promować utrzymanie klientów z grupy ryzyka.

2. Przygotowanie danych

Niezależnie od tego, czy korzystasz z CRM, oprogramowania analitycznego, czy bezpośrednich informacji zwrotnych od klientów, zbierasz dane od swoich klientów w każdym punkcie ich podróży zakupowej.

Zbieranie odpowiednich danych o klientach i przygotowywanie ich do klasyfikacji i wyodrębniania to drugi krok w kierunku zbudowania modelu prognozowania rezygnacji. Jeśli korzystasz z narzędzia analitycznego, przeczytaj nasz Przewodnik po danych behawioralnych i śledzeniu zdarzeń, aby dowiedzieć się, jak zbierać dokładne dane.

3. Praca z funkcjami

Korzystaj z inżynierii funkcji, aby reprezentować i kategoryzować klientów na podstawie funkcji, które prawdopodobnie spowodują ich odejście. Przy omawianiu rezygnacji klientów wyróżnia się pięć rodzajów funkcji:

• Cechy klienta: są to ogólne, oparte na danych demograficznych informacje o kliencie, takie jak jego wiek, wysokość zarobków i poziom wykształcenia.
• Funkcje pomocy technicznej: odnoszą się do interakcji klientów z zespołem obsługi klienta, w tym liczby wysłanych wiadomości e-mail, czasu do rozwiązania i ocen satysfakcji po rozwiązaniu problemu.
• Funkcje użytkowania: opisują elementy sposobu, w jaki klient korzysta z Twojego produktu lub usługi. Na przykład średni czas trwania połączenia dla klientów firmy telekomunikacyjnej lub liczba logowań użytkowników do aplikacji.
• Funkcje kontekstowe: obejmują wszelkie informacje kontekstowe, jakie firma posiada na temat klienta. Może to być system operacyjny, z którego korzystają na swoim urządzeniu, lub wcześniejsze zakupy.
• Cechy behawioralne : są to konkretne zachowania i działania podejmowane przez klientów w Twoim produkcie. Na przykład, ile razy użytkownik udostępnił playlistę w aplikacji do strumieniowego przesyłania muzyki.

Po zidentyfikowaniu funkcji, na których należy się skoncentrować, należy je wyodrębnić, aby ujednolicić zmienne lub atrybuty. Należy wybrać tylko te informacje, które są istotne dla analizy rezygnacji.

4. Zbuduj swój model

Algorytmy ML zwykle działają przy użyciu klasyfikacji binarnej, która organizuje zmienne docelowe i nadaje im wartość prawda lub fałsz. Innymi słowy, czy ta konkretna funkcja spowodowała odejście klienta, czy nie? Na przykład, czy odinstalowanie aplikacji z telefonu zazwyczaj prowadzi do rezygnacji klientów?

Innym powszechnym modelem predykcyjnym jest drzewo decyzyjne, które wykorzystuje wszelkie dostępne funkcje i dostarcza potencjalnych wyników. Model drzewa decyzyjnego zapewni wiele scenariuszy, aby sprawdzić, czy klient odejdzie, czy nie.

W przypadku firm pracujących z większymi zbiorami danych można budować modele predykcyjne na wielu drzewach decyzyjnych, określanych również mianem lasu losowego. W losowym lesie każde drzewo decyzyjne ma klasyfikację z odpowiedzią pozytywną lub negatywną. Jeśli większość drzew decyzyjnych da pozytywne odpowiedzi, ostateczna prognoza będzie pozytywna.

5. Monitorowanie modelu

Gdy model jest gotowy, nadszedł czas, aby zintegrować go z narzędziem prognozowania. Za pomocą tego narzędzia możesz testować i monitorować wydajność swojego modelu oraz w razie potrzeby wprowadzać dowolne zmiany w funkcjach. Wdrażasz wybrany model i wysyłasz go do produkcji. Jeśli działa dobrze, możesz zaktualizować istniejącą aplikację lub wykorzystać ją jako główny element nowego produktu.

Budowanie modelu predykcyjnego w narzędziu analitycznym

Zobaczmy, jak zbudować model prognozowania w narzędziu analitycznym, takim jak Amplituda.

1. Zdefiniuj początkową kohortę lub grupę użytkowników

2. Przewiduj ich przyszły stan końcowy

Prognozy wykorzystują przeszłe zachowanie do przewidywania przyszłych zachowań. Narzędzie analityczne, takie jak Amplitude, przyjrzy się użytkownikom, którzy byli w początkowej kohorcie dwa okresy temu i zidentyfikuje użytkowników, którzy osiągnęli pożądany wynik jeden okres temu, a także tych, którzy tego nie zrobili.

3. Oceniaj i oceniaj użytkowników w oparciu o ten model

Model predykcyjny oblicza wynik probabilistyczny dla każdego użytkownika w kohorcie początkowej, aby osiągnąć pożądany wynik w ciągu następnych 7, 30, 60 lub 90 dni. Model jest ponownie trenowany codziennie, aby uwzględnić dane sezonowe.

Poniższy obrazek przedstawia górne 5%.

4. Korzystaj z kohort predykcyjnych, aby informować o swoich produktach i strategiach marketingowych

Możesz użyć kohort predykcyjnych, aby podzielić użytkowników na segmenty na podstawie ich prawdopodobieństwa rezygnacji. Zmień swoich rankingowych użytkowników z kroku 3 w nową kohortę i przekieruj ich poprzez:

• Uwzględnianie ich w kampaniach marketingowych mających na celu zwiększenie retencji
• Oferowanie dynamicznych cen, w tym obniżonych stawek lub ofert specjalnych
• Personalizacja treści i doświadczeń produktowych na podstawie ich preferencji
• Dostosowywanie częstotliwości wiadomości na podstawie prawdopodobieństwa konwersji lub rezygnacji
• Przeprowadzanie niestandardowych testów A/B w celu eksperymentowania z nową stroną internetową lub zmianami produktu

Na przykład, jeśli znajdziesz grupę użytkowników o wysokim prawdopodobieństwie rezygnacji, możesz zastosować taktykę odwrotnej ceny, aby zaoferować im większą zniżkę lub zachętę.

Pierwsze kroki z analizą przewidywania rezygnacji

Niezależnie od tego, jak skomplikowane może brzmieć przewidywanie rezygnacji, łatwo to zrobić za pomocą odpowiednich narzędzi. Amplituda umożliwia zespołom nietechnicznym budowanie złożonych modeli sztucznej inteligencji bez pisania kodu lub polegania na zasobach i zależnościach inżynierskich. Po prostu użyj interfejsu samoobsługowego z działaniami typu „wskaż i kliknij”, aby zbudować zaawansowany model do przewidywania i zmniejszania rezygnacji. Wypróbuj sam za darmo z planem startowym Amplitude.

Obejrzyj poniższy film, aby dowiedzieć się, jak obliczyć churn, korzystając z naszej samoobsługowej wersji demonstracyjnej.

Bibliografia

• Pozyskiwanie klientów a koszty utrzymania, Invesp
• Przewidywanie rezygnacji klientów dla firm korzystających z subskrypcji korzystających z uczenia maszynowego: główne podejścia i modele, AltexSoft
• Wskaźnik rezygnacji a wskaźnik retencji: jak obliczyć te wskaźniki KPI SaaS, Woopra