Cum să îmbunătățești reținerea cu Churn Prediction Analytics
Publicat: 2022-10-26Predicția abandonului utilizează modele de inteligență artificială (AI) și de învățare automată (ML) pentru a identifica clienții expuși riscului de apariție a pierderii . Cu aceste informații, companiile pot lua pașii necesari pentru a optimiza zonele afacerii lor care provoacă fricțiuni și pentru a menține sub control nivelurile de uzură a clienților.
Clienții abandonează din mai multe motive, de la experiențe negative în serviciul clienți la găsirea de oferte mai bune de la un concurent sau o lipsă percepută de valoare a produsului tău. Îmbunătățirea reținerii clienților și menținerea ratei de abandon scăzut este vitală, mai ales că achiziționarea de noi clienți este costisitoare.
Recomandări cheie
- Predicția de retragere este utilizată pentru a prognoza clienții care sunt cel mai probabil să renunțe. Predicția abandonului permite companiilor să:
- Vizați clienții expuși cu risc cu campanii de reducere a abandonului.
- Descoperiți fricțiunile de-a lungul călătoriei clienților.
- Optimizați-le produsul sau serviciul pentru a stimula reținerea clienților.
- Predicția de pierdere folosește modele ML și date istorice.
- Companiile bazate pe abonament sunt deosebit de vulnerabile la uzura clienților și pot beneficia în mod semnificativ de predicția abandonului.
- Construirea unui model de predicție a pierderii constă în identificarea obiectivelor de predicție a pierderii, colectarea și extragerea datelor prin utilizarea funcțiilor și construirea și monitorizarea modelului dvs.
- Predicția abandonului folosind o analiză Amplitude implică patru pași simpli pentru a identifica clienții expuși riscului și a-i redirecționa cu strategii de îmbunătățire a retenției.
Ce este predicția churn?
Predicția abandonului este un proces în care companiile folosesc modele AI și ML pentru a prognoza care clienți au cel mai mare risc de a-și înceta patronajul. Predicția abandonului utilizează datele clienților bazate pe comportamentul și utilizarea utilizatorului. Predicția și prevenirea abandonului de clienți permite companiilor să:
- Identificați clienții expuși riscului și implementați eforturi foarte bine direcționate pentru a-i împiedica să se producă.
- Identificați punctele dureroase și fricțiunile de-a lungul călătoriei clientului.
- Identificați strategii care vizează aceste puncte dure pentru a reduce rata de pierdere și pentru a crește ratele de retenție.
Este de fapt posibil să prezicem ratarea clienților?
Datorită algoritmilor de învățare automată și a datelor mari, anticiparea abandonului clienților este, de fapt, o posibilitate. Tehnicile de analiză a datelor sunt folosite pentru a analiza tendințele și modelele comportamentale din trecut în comportamentul clienților.
Ideea este că puteți identifica anumite comportamente ca acțiuni cu risc de abandon și să le abordați înainte de a fi prea târziu. Acestea sunt adesea denumite indicatori roșii . De exemplu, este posibil să descoperiți că clienții care nu vă urmăresc pe rețelele de socializare sau care vă dezinstalează aplicația sunt expuși unui risc mai mare de a se retrage.
Atunci când efectuați predicția de pierdere, este important să aveți în vedere următoarele:
- Proactivitatea este esențială atunci când vine vorba de reținerea clienților. Predicția abandonului ar trebui să vă ajute să configurați planuri pentru a interacționa cu clienții expuși riscului în momentul în care aceștia sunt semnalați ca atare.
- Asigurați-vă că tehnica dvs. de predicție a abandonului identifică cu acuratețe clienții probabil să plece. Identificarea greșită a clienților cu risc ar putea duce la cheltuirea resurselor pentru campanii de informare și oferte speciale fără motiv, ceea ce duce la venituri reduse.
- Aveți nevoie de un model de predicție a abandonului construit pe surse de date obținute în timp real. Aceste date reflectă comportamentele actuale și vor duce la predicții mai precise.
Predicția abandonului pentru companiile cu abonament
Companiile cu modele de afaceri bazate pe vânzarea de servicii de abonament – B2B SaaS, streaming de muzică și telecomunicații, pentru a numi câteva – se bazează pe veniturile recurente pe care le generează de la clienții lor. Predicția pierderii abonamentelor, valorificarea loialității clienților și creșterea valorii pe durata de viață a clienților sunt deosebit de importante pentru astfel de afaceri.
În timpul unui interviu cu AltexSoft, directorul general de atunci al Service Hub la HubSpot, Michael Redbord, a susținut că:
„Într-o afacere bazată pe abonament, chiar și o rată mică de pierdere lunară/trimestrială se va agrava rapid în timp. Doar 1% ratare lunară se traduce în aproape 12% ratare anuală. Având în vedere că este mult mai costisitor să achiziționați un nou client decât să păstrați unul existent, companiile cu rate ridicate de abandon se vor găsi rapid într-o gaură financiară, deoarece trebuie să dedice tot mai multe resurse pentru achiziționarea de noi clienți.”
Ratele ridicate de abandon înseamnă venituri mai puține datorită unui număr scăzut de clienți. Mai mult, persoanele care părăsesc o companie din cauza experiențelor proaste sunt susceptibile să lase recenzii negative, impactând imaginea acesteia și făcând și mai dificilă atragerea de noi clienți.
Există multe tipuri de furnizori de servicii pe bază de abonament care pot beneficia de pe urma utilizării predicției abandonului. Unele dintre aceste sectoare includ:
Servicii de streaming de muzică și video
Aceste companii oferă acces la cerere la muzică, emisiuni TV și filme abonaților lor. Exemple de astfel de companii includ Netflix și Spotify. Potrivit raportului Digital Media Trends 2022 al Deloitte, serviciile de streaming video plătite din SUA au avut o rată constantă de pierdere de 37% din 2020.
Presa de știri
Companiile media de știri și-au mutat atenția către digital în ultimii ani. În 2021, 65% dintre oamenii din SUA au spus că nu au primit niciodată sau rar știrile din presa scrisă. Organizații precum The New York Times și Financial Times oferă clienților lor pachete de abonament digital unde pot accesa articole de știri și informații prin intermediul platformelor lor online.
În ciuda trecerii la digital, aplicațiile de știri mobile au înregistrat încă o rată de dezinstalare de 25% în 2022.
Furnizorii de servicii de telecomunicații
Companiile de telecomunicații oferă o gamă de servicii pe bază de abonament, cum ar fi servicii wireless, TV, internet și telefonie mobilă. Astfel de companii includ AT&T și Vodafone. În 2020, companiile de telecomunicații au înregistrat o rată de uzură de 20%.
Companii software ca serviciu (SaaS).
Companiile SaaS includ orice afacere care oferă un tip de serviciu bazat pe cloud. Acesta ar putea fi orice, de la servicii de design grafic online precum Canva la platforme de comerț electronic precum Amazon.
Potrivit Woopra, rata medie lunară de abandon pentru companiile SaaS este între 3% și 8%. Anual, aceasta este de 32-50%.
Lectură în continuare
Aflați mai multe despre companiile SaaS cu următoarele resurse:
- Cum se calculează și se interpretează LTV SaaS: Aflați cum să calculați, să interpretați și să îmbunătățiți valoarea de viață a SaaS.
- Cum să efectuați o analiză de cohortă SaaS pentru a reduce rata de abandon: utilizați analiza de cohortă SaaS pentru a afla cum se comportă diferite grupuri de utilizatori și conturi în platforma dvs. și pentru a reduce rata de retragere a clienților.
Înțelegerea ciclurilor de viață ale clienților dvs
Înainte de a putea prezice pierderea, trebuie să înțelegeți ciclurile de viață ale clienților. Un instrument de analiză a produselor, cum ar fi Amplitude Analytics, vă poate împărți utilizatorii activi în patru subgrupe: utilizatori noi, utilizatori actuali (activi), utilizatori reînviați (foști inactivi) și utilizatori inactivi (inactivi). Ar trebui să urmăriți fiecare grup de utilizatori pentru a vă asigura că baza de utilizatori a produsului dumneavoastră crește în timp.
Această vizualizare ajută la măsurarea pierderii într-o manieră continuă, astfel încât să puteți lua măsuri pentru a o reduce. Ar trebui să vă străduiți să creșteți numărul de utilizatori actuali și reînviați, menținând utilizatorii implicați sau oferindu-le un motiv să redevină activi. De asemenea, veți dori să reduceți numărul de utilizatori inactiv; dacă acest grup începe să crească, este posibil să aveți o problemă de implicare.
Model de predicție a abandonului: cheia îmbunătățirii reținerii clienților
Datorită instrumentelor precum CRM-urile și software-ul de analiză, companiile pot accesa seturi mari de date pline de informații despre clienții lor de-a lungul ciclului de viață. Aceste date istorice sunt esențiale în construirea modelului dvs. de predicție a pierderii clienților folosind instrumente precum Amplitude Audiences.
Vă puteți construi modelul de predicție a abandonului urmând cinci pași.
1. Identificați-vă obiectivele de predicție a pierderii
Primul pas pentru a asigura performanța optimă a modelului de predicție a abandonului este să identificați și să definiți ceea ce doriți să obțineți din modelul dvs. La un nivel înalt, urmăriți să:
- Reduceți uzura clienților identificând care dintre clienții dvs. prezintă cel mai mare risc de apariție.
- Înțelegeți motivele pentru care clienții dvs. expuși riscului ar putea să se retragă.
- Proiectați și implementați modificări în călătoria clienților pentru a promova reținerea clienților dvs. expuși riscului.
2. Pregătirea datelor
Fie prin intermediul CRM, al software-ului de analiză sau al feedback-ului direct al clienților, colectați date de la clienți la fiecare punct de contact al călătoriei lor de cumpărare.
Colectarea datelor relevante despre clienți și pregătirea acestora pentru clasificare și extragere este al doilea pas către construirea modelului dvs. de predicție a abandonului. Dacă utilizați un instrument de analiză, citiți Ghidul nostru privind datele comportamentale și urmărirea evenimentelor pentru a afla cum să colectați date exacte.
3. Lucrul cu caracteristici
Utilizați ingineria caracteristicilor pentru a reprezenta și a clasifica clienții pe baza caracteristicilor care probabil îi fac să abandoneze. Există cinci tipuri de caracteristici atunci când discutăm despre abandonul clienților:
- Caracteristicile clientului: acestea sunt informații generale, bazate pe criterii demografice despre client, cum ar fi vârsta acestuia, cât câștigă și nivelul lor de educație.
- Funcții de asistență: acestea se referă la interacțiunile pe care clienții dvs. le au cu echipa dvs. de asistență pentru clienți, inclusiv numărul de e-mailuri trimise, timpul până la rezolvare și evaluările de satisfacție după rezolvarea problemei.
- Caracteristici de utilizare: acestea descriu elemente ale modului în care un client vă folosește produsul sau serviciul. De exemplu, durata medie a apelurilor pentru clienții companiilor de telecomunicații sau numărul de ori când utilizatorii se conectează la o aplicație.
- Caracteristici contextuale: Acestea includ orice informație bazată pe context pe care o companie le are despre client. Acesta ar putea fi sistemul de operare pe care îl folosesc pe dispozitivul lor sau achizițiile lor anterioare.
- Caracteristici comportamentale : acestea sunt comportamentele și acțiunile specifice pe care clienții le întreprind în produsul dvs. De exemplu, de câte ori un utilizator partajează o listă de redare într-o aplicație de streaming de muzică.
Odată ce ați identificat caracteristicile pe care să vă concentrați, va trebui să le extrageți pentru a standardiza variabilele sau atributele. Ar trebui să selectați doar informațiile care sunt relevante pentru analiza abandonului.
4. Construiește-ți modelul
Algoritmii ML funcționează de obicei folosind clasificarea binară, care organizează variabilele țintă și le oferă o valoare adevărată sau falsă. Cu alte cuvinte, această caracteristică specifică a determinat clientul dvs. să renunțe sau nu? De exemplu, dezinstalarea aplicației de pe telefonul lor duce de obicei la pierderea clienților?
Un alt model predictiv comun este un arbore de decizie, care utilizează orice caracteristică disponibilă și oferă rezultate potențiale. Modelul arborelui de decizie va oferi mai multe scenarii pentru a vedea dacă un client va renunța sau nu.
În cazul companiilor care lucrează cu seturi de date mai mari, puteți construi modele predictive pe numeroși arbori de decizie, denumiti și pădure aleatoare. Într-o pădure aleatorie, fiecare arbore de decizie are o clasificare cu un răspuns pozitiv sau negativ. Dacă majoritatea arborilor de decizie oferă răspunsuri pozitive, predicția finală va fi pozitivă.
5. Monitorizarea modelului dvs
Odată ce modelul dvs. este gata, este timpul să îl integrați în instrumentul dvs. de predicție. Cu acest instrument, puteți testa și monitoriza performanța modelului dvs. și puteți face orice ajustări ale caracteristicilor, dacă este necesar. Implementați modelul ales și îl trimiteți în producție. Dacă funcționează bine, puteți fie să vă actualizați aplicația existentă, fie să o utilizați ca obiectiv al unui nou produs.
Lectură în continuare
Aflați mai multe despre analiza predictivă cu următoarele resurse:
- Cum să utilizați analiza predictivă a clienților pentru a converti utilizatorii: cunoașteți ce vor face clienții înainte de a face acest lucru pentru a rafina prețul produselor, a informa campaniile de marketing, a reduce rata de pierdere și a crește valoarea de viață.
- Prognoza de marketing 101: Utilizarea analizei pentru perspective viitoare: Folosiți prognoza de marketing pentru a prezice performanța viitoare și pentru a optimiza produsul și strategiile de marketing în consecință.
Construirea unui model de predicție într-un instrument de analiză
Să vedem cum să construim un model de predicție într-un instrument de analiză precum Amplitude.
1. Definiți o cohortă de început sau un grup de utilizatori
2. Prezice-le viitorul rezultat
Predicțiile folosesc comportamentul trecut pentru a prezice comportamentul viitor. Un instrument de analiză precum Amplitude va analiza utilizatorii care au fost în cohorta inițială cu două perioade în urmă și îi va identifica pe utilizatorii care au atins rezultatul dorit cu o perioadă în urmă, precum și pe cei care nu l-au făcut.
3. Clasați și punctați utilizatorii pe baza acestui model
Modelul predictiv calculează un scor probabilistic pentru fiecare utilizator din cohorta inițială pentru a ajunge la rezultatul dorit în următoarele 7, 30, 60 sau 90 de zile. Modelul se reinstruiește în fiecare zi pentru a ține cont de datele sezoniere.
Imaginea de mai jos arată primele 5%.
4. Folosiți cohorte predictive pentru a vă informa produsul și strategiile de marketing
Puteți utiliza cohorte predictive pentru a segmenta utilizatorii în funcție de probabilitatea lor de a se retrage. Transformă-ți utilizatorii clasați de la pasul 3 într-o nouă cohortă și redirecționează-i prin:
- Includerea acestora în campaniile de marketing menite să crească retenția
- Oferă prețuri dinamice, inclusiv tarife reduse sau oferte speciale
- Personalizarea conținutului și a experiențelor de produs în funcție de preferințele acestora
- Ajustarea frecvenței mesajelor în funcție de probabilitatea lor de a converti sau de a renunța
- Efectuarea de teste A/B personalizate pentru a experimenta noul site web sau modificări ale produselor
De exemplu, dacă găsiți o cohortă de utilizatori cu o probabilitate ridicată de a se retrage, ați putea folosi tactici de preț invers pentru a le oferi o reducere sau un stimulent mai mare.
Lectură în continuare
Aflați mai multe despre analiza cohortei cu următoarele resurse:
- Analiza cohortei: Reduceți rata de pierdere și îmbunătățiți retenția: utilizatorii dvs. nu sunt toți la fel și nu ar trebui să-i tratați în acest fel - utilizați analiza cohortei pentru a înțelege diferențele și pentru a îmbunătăți reținerea.
- Ghid pas cu pas pentru analiza cohortelor și reducerea ratei de abandon: Urmați acest ghid pas cu pas pentru a efectua o analiză de cohortă care vă va ajuta să reduceți rata de abandon.
Începeți cu analiza de predicție a pierderii
În ciuda cât de complicată ar putea suna predicția abandonului, este ușor de realizat cu instrumentele potrivite. Amplitude dă putere echipelor non-tehnice să construiască modele complexe de IA fără să scrie cod sau să se bazeze pe resurse și dependențe de inginerie. Utilizați pur și simplu o interfață de autoservire cu acțiuni de tip punct și clic pentru a construi un model puternic pentru a prezice și a reduce rata de pierdere. Încercați-l gratuit cu planul de pornire al Amplitude.
Urmărește videoclipul de mai jos pentru a afla cum să calculezi rata de pierdere în experiența noastră demonstrativă cu autoservire.
Referințe
- Achiziția clienților vs. Costurile de retenție, Invesp
- Predicția retragerii clienților pentru companiile cu abonament care utilizează învățarea automată: abordări și modele principale, AltexSoft
- Rata de abandon vs rata de retenție: Cum să calculați acești KPI-uri SaaS, Woopra
