Как улучшить удержание с помощью аналитики прогнозирования оттока

Прогнозирование оттока использует модели искусственного интеллекта (ИИ) и машинного обучения (МО), чтобы определить, какие клиенты подвержены риску оттока . Обладая этой информацией, компании могут предпринять необходимые шаги для оптимизации областей своего бизнеса, которые вызывают трения, и держать под контролем уровень оттока клиентов.

Клиенты уходят по многим причинам, от негативного опыта обслуживания клиентов до поиска лучших предложений у конкурента или кажущегося отсутствия ценности вашего продукта. Улучшение удержания клиентов и поддержание низкого уровня оттока жизненно важно, особенно с учетом того, что привлечение новых клиентов обходится дорого.

Что такое прогнозирование оттока?

Прогнозирование оттока — это процесс, в котором компании используют модели искусственного интеллекта и машинного обучения, чтобы прогнозировать, какие клиенты подвергаются наибольшему риску прекращения своего покровительства. Для прогнозирования оттока используются данные о клиентах, основанные на их поведении и использовании. Прогнозирование и предотвращение оттока клиентов позволяет компаниям:

• Выявляйте клиентов из группы риска и принимайте целенаправленные меры, чтобы не допустить их оттока.
• Определите болевые точки и трения на пути клиента.
• Определите стратегии, нацеленные на эти болевые точки, чтобы снизить отток клиентов и повысить уровень удержания.

Можно ли предсказать отток клиентов?

Благодаря алгоритмам машинного обучения и большим данным прогнозирование оттока клиентов на самом деле возможно. Методы анализа данных используются для изучения прошлых поведенческих тенденций и моделей поведения клиентов.

Идея состоит в том, что вы можете идентифицировать определенные действия как действия, связанные с риском оттока, и реагировать на них, пока не стало слишком поздно. Их часто называют метриками красного флага . Например, вы можете обнаружить, что клиенты, которые отписываются от вас в социальных сетях или удаляют ваше приложение, подвергаются более высокому риску оттока.

При прогнозировании оттока важно помнить следующее:

• Проактивность является ключевым моментом, когда речь идет об удержании клиентов. Прогнозирование оттока должно помочь вам настроить планы взаимодействия с клиентами из группы риска в тот момент, когда они будут помечены как таковые.
• Убедитесь, что ваш метод прогнозирования оттока точно определяет клиентов, которые могут уйти. Неправильная идентификация клиентов из группы риска может привести к тому, что вы будете тратить ресурсы на рекламные кампании и специальные предложения без причины, что приведет к снижению доходов.
• Вам нужна модель прогнозирования оттока, построенная на источниках данных, полученных в режиме реального времени. Эти данные отражают текущее поведение и позволяют делать более точные прогнозы.

Прогноз оттока для подписных компаний

Компании с бизнес-моделями, основанными на продаже услуг по подписке — B2B SaaS, потоковой передачи музыки и телекоммуникаций, и это лишь некоторые из них — полагаются на постоянный доход, который они получают от своих клиентов. Прогнозирование оттока подписки, использование лояльности клиентов и увеличение пожизненной ценности клиентов особенно важны для таких предприятий.

Во время интервью AltexSoft тогдашний генеральный менеджер Service Hub в HubSpot Майкл Редборд утверждал, что:

Высокие показатели оттока означают меньший доход из-за уменьшения количества клиентов. Более того, люди, которые покидают компанию из-за неудачного опыта, скорее всего, оставят негативные отзывы, что повлияет на ее имидж и еще больше затруднит привлечение новых клиентов.

Существует много типов поставщиков услуг на основе подписки, которые могут извлечь выгоду из прогнозирования оттока. Некоторые из этих секторов включают:

Сервисы потоковой передачи музыки и видео

Эти компании предлагают своим подписчикам доступ по запросу к музыке, телешоу и фильмам. Примеры таких компаний включают Netflix и Spotify. Согласно отчету Deloitte Digital Media Trends за 2022 год, платные сервисы потокового видео в США с 2020 года имеют постоянный уровень оттока на уровне 37%.

СМИ

В последние годы новостные медиа-компании переключили свое внимание на цифровые технологии. В 2021 году 65% жителей США заявили, что никогда не получали или редко получали новости из печатных СМИ. Такие организации, как The New York Times и Financial Times, предлагают своим клиентам пакеты цифровой подписки, где они могут получать доступ к новостным статьям и информации через свои онлайн-платформы.

Несмотря на переход к цифровым технологиям, в 2022 году уровень удаления мобильных новостных приложений по-прежнему составлял 25%.

Поставщики телекоммуникационных услуг

Телекоммуникационные компании предлагают ряд услуг на основе подписки, таких как беспроводная связь, телевидение, Интернет и услуги сотовой связи. К таким компаниям относятся AT&T и Vodafone. В 2020 году в телекоммуникационных компаниях уровень текучести кадров составил 20%.

Программное обеспечение как услуга (SaaS) компании

Компании SaaS включают в себя любой бизнес, который предлагает тип облачных услуг. Это может быть что угодно: от онлайн-сервисов графического дизайна, таких как Canva, до платформ электронной коммерции, таких как Amazon.

По данным Woopra, среднемесячный показатель оттока для SaaS-компаний составляет от 3% до 8%. Ежегодно это 32–50%.

Понимание жизненных циклов ваших клиентов

Прежде чем вы сможете прогнозировать отток, вам необходимо понять жизненный цикл ваших клиентов. Инструмент продуктовой аналитики, такой как Amplitude Analytics, может разбить ваших активных пользователей на четыре подгруппы: новые пользователи, текущие (активные) пользователи, воскресшие (ранее неактивные) пользователи и бездействующие (неактивные) пользователи. Вы должны следить за каждой группой пользователей, чтобы убедиться, что пользовательская база вашего продукта со временем растет.

Это представление помогает постоянно измерять отток, чтобы вы могли принять меры для его уменьшения. Вы должны стремиться увеличить количество текущих и возрожденных пользователей, удерживая пользователей или давая им повод снова стать активными. Вы также захотите уменьшить количество бездействующих пользователей; если эта группа начнет расти, у вас могут возникнуть проблемы с вовлечением.

Модель прогнозирования оттока: ключ к улучшению удержания клиентов

Благодаря таким инструментам, как CRM и аналитическое программное обеспечение, компании могут получить доступ к большим наборам данных, полным информации о своих клиентах на протяжении всего их жизненного цикла. Эти исторические данные имеют решающее значение для построения модели прогнозирования оттока клиентов с использованием таких инструментов, как Amplitude Audiences.

Вы можете построить модель прогнозирования оттока, выполнив пять шагов.

1. Определите цели прогнозирования оттока

Первым шагом для обеспечения оптимальной производительности модели прогнозирования оттока является определение того, чего вы хотите добиться от своей модели. На высоком уровне вы стремитесь:

• Сократите отток клиентов, определив, какие из ваших клиентов подвергаются наибольшему риску оттока.
• Поймите причины, по которым ваши клиенты из группы риска могут уйти.
• Разработайте и внедрите изменения в путь клиента, чтобы способствовать удержанию клиентов из группы риска.

2. Подготовка данных

Будь то с помощью CRM, аналитического программного обеспечения или прямой обратной связи с клиентами, вы собираете данные от своих клиентов на каждом этапе взаимодействия с ними на пути к покупке.

Сбор релевантных данных о клиентах и ​​подготовка их к классификации и извлечению — второй шаг к построению модели прогнозирования оттока. Если вы используете инструмент аналитики, прочитайте наше Руководство по поведенческим данным и отслеживанию событий, чтобы узнать, как собирать точные данные.

3. Работа с функциями

Используйте разработку функций, чтобы представить и классифицировать клиентов на основе функций, которые могут привести к их оттоку. При обсуждении оттока клиентов выделяют пять типов характеристик:

• Характеристики клиента: это общая демографическая информация о клиенте, такая как его возраст, размер его заработка и уровень его образования.
• Функции поддержки: это относится к взаимодействиям ваших клиентов с вашей службой поддержки клиентов, включая количество отправленных электронных писем, время решения и рейтинги удовлетворенности после решения проблемы.
• Особенности использования: они описывают элементы того, как клиент использует ваш продукт или услугу. Например, средняя продолжительность звонка для клиентов телекоммуникационной компании или количество раз, когда пользователи входят в приложение.
• Контекстные функции: они включают в себя любую контекстную информацию, которую компания имеет о клиенте. Это может быть операционная система, которую они используют на своем устройстве, или их прошлые покупки.
• Поведенческие особенности: это конкретное поведение и действия, которые клиенты совершают внутри вашего продукта. Например, сколько раз пользователь делится плейлистом в приложении для потоковой передачи музыки.

После того, как вы определили функции, на которых нужно сосредоточиться, вам нужно будет извлечь их, чтобы стандартизировать переменные или атрибуты. Вы должны выбрать только ту информацию, которая имеет отношение к анализу оттока.

4. Создайте свою модель

Алгоритмы машинного обучения обычно работают с использованием двоичной классификации, которая упорядочивает ваши целевые переменные и присваивает им истинное или ложное значение. Другими словами, эта конкретная функция заставила вашего клиента уйти или нет? Например, приводит ли удаление приложения с телефона к оттоку клиентов?

Другой распространенной прогностической моделью является дерево решений, которое использует любые доступные функции и предоставляет потенциальные результаты. Модель дерева решений предоставит несколько сценариев, чтобы увидеть, будет ли отток клиентов.

В случае компаний, работающих с большими наборами данных, вы можете строить прогностические модели на множестве деревьев решений, также называемых случайным лесом. В случайном лесу каждое дерево решений имеет классификацию с положительным или отрицательным ответом. Если большинство деревьев решений дают положительные ответы, окончательный прогноз будет положительным.

5. Мониторинг вашей модели

Как только ваша модель будет готова, пришло время интегрировать ее в ваш инструмент прогнозирования. С помощью этого инструмента вы можете тестировать и отслеживать производительность вашей модели и вносить любые коррективы в функции, если это необходимо. Вы реализуете выбранную вами модель и отправляете ее в производство. Если он работает хорошо, вы можете либо обновить существующее приложение, либо использовать его в качестве основы для нового продукта.

Построение прогнозной модели в инструменте аналитики

Давайте рассмотрим, как построить модель прогнозирования в таком аналитическом инструменте, как Amplitude.

1. Определите начальную когорту или группу пользователей

2. Предсказать их будущее состояние исхода

Прогнозы используют прошлое поведение, чтобы предсказать будущее поведение. Аналитический инструмент, такой как Amplitude, будет рассматривать пользователей, которые были в начальной группе два периода назад, и определять пользователей, которые достигли желаемого результата один период назад, а также тех, кто этого не сделал.

3. Ранжируйте и оценивайте пользователей на основе этой модели.

Модель прогнозирования вычисляет вероятностную оценку для каждого пользователя в начальной группе для достижения желаемого результата в течение следующих 7, 30, 60 или 90 дней. Модель переобучается каждый день для учета сезонных данных.

На изображении ниже показаны верхние 5%.

4. Используйте прогностические когорты для информирования о вашем продукте и маркетинговых стратегиях.

Вы можете использовать прогностические когорты для сегментации пользователей на основе вероятности их оттока. Превратите своих ранжированных пользователей из шага 3 в новую когорту и перенастройте их:

• Включение их в маркетинговые кампании, направленные на увеличение удержания
• Динамическое ценообразование, включая скидки или специальные предложения.
• Персонализация контента и продуктов на основе их предпочтений
• Регулировка частоты обмена сообщениями в зависимости от вероятности их конвертации или отказа.
• Запуск пользовательских A/B-тестов для экспериментов с новыми изменениями веб-сайта или продукта.

Например, если вы найдете когорту пользователей с высокой вероятностью оттока, вы можете использовать тактику обратного ценообразования, чтобы предложить им большую скидку или поощрение.

Начало работы с аналитикой прогнозирования оттока

Несмотря на то, как сложно может звучать прогнозирование оттока, это легко сделать с помощью правильных инструментов. Amplitude позволяет командам, не являющимся техническими специалистами, создавать сложные модели ИИ без написания кода или использования инженерных ресурсов и зависимостей. Просто используйте интерфейс самообслуживания с действиями «укажи и щелкни», чтобы построить мощную модель для прогнозирования и сокращения оттока. Попробуйте сами бесплатно со стартовым планом Amplitude.

Посмотрите видео ниже, чтобы узнать, как рассчитать отток в нашей демонстрационной версии самообслуживания.

использованная литература

• Сравнение затрат на привлечение клиентов и их удержание, Invesp
• Прогнозирование оттока клиентов для подписных компаний с использованием машинного обучения: основные подходы и модели, AltexSoft
• Уровень оттока против уровня удержания: как рассчитать эти ключевые показатели эффективности SaaS, Woopra