Kayıp Tahmini Analitiği ile Elde Tutma Nasıl İyileştirilir

Churn tahmini, hangi müşterilerin kayıp riski altında olduğunu belirlemek için yapay zeka (AI) ve makine öğrenimi (ML) modellerini kullanır . Bu bilgilerle şirketler, işlerinin sürtüşmeye neden olan alanlarını optimize etmek ve müşteri yıpranma düzeylerini kontrol altında tutmak için gerekli adımları atabilirler.

Müşteriler, olumsuz müşteri hizmetleri deneyimlerinden bir rakipten daha iyi teklifler bulmaya veya ürününüzden algılanan değer eksikliğine kadar birçok nedenden dolayı vazgeçer. Müşteriyi elde tutmayı iyileştirmek ve müşteri kaybetme oranınızı düşük tutmak, özellikle yeni müşteriler edinmenin maliyetli olması nedeniyle hayati önem taşır.

Churn tahmini nedir?

Churn tahmini, şirketlerin hangi müşterilerin patronajlarını sona erdirme riskinin en yüksek olduğunu tahmin etmek için AI ve ML modellerini kullandığı bir süreçtir. Churn tahmini, kullanıcı davranışına ve kullanımına dayalı müşteri verilerini kullanır. Müşteri kaybı tahmini ve önleme, şirketlerin şunları yapmasına olanak tanır:

• Risk altındaki müşterileri belirleyin ve müşteri kaybetmelerini önlemek için yüksek düzeyde hedeflenmiş çabalar uygulayın.
• Müşteri yolculuğu boyunca sorunlu noktaları ve sürtüşmeleri belirleyin.
• Kayıpları azaltmak ve elde tutma oranlarını artırmak için bu acı noktalarını hedefleyen stratejileri belirleyin.

Müşteri kaybını tahmin etmek gerçekten mümkün mü?

Makine öğrenimi algoritmaları ve büyük veriler sayesinde, müşteri kaybını tahmin etmek aslında bir olasılık. Veri analizi teknikleri, müşteri davranışındaki geçmiş davranış eğilimlerine ve kalıplarına bakmak için kullanılır.

Buradaki fikir, belirli davranışları kayıp riski eylemleri olarak tanımlayabilmeniz ve çok geç olmadan bunları ele alabilmenizdir. Bunlara genellikle kırmızı bayrak metrikleri denir. Örneğin, sosyal medyada sizi takip etmeyi bırakan veya uygulamanızı kaldıran müşterilerin daha yüksek oranda kullanımdan çıkma riskiyle karşı karşıya olduğunu görebilirsiniz.

Kayıp tahmini yaparken aşağıdakileri akılda tutmak önemlidir:

• Müşteriyi elde tutma söz konusu olduğunda proaktivite çok önemlidir. Kayıp tahmini, risk altındaki müşteriler bu şekilde işaretlendikleri anda onlarla etkileşim kurmak için planlar oluşturmanıza yardımcı olmalıdır.
• Kayıp tahmini tekniğinizin, ayrılma olasılığı olan müşterileri doğru bir şekilde tanımladığından emin olun. Risk altındaki müşterileri yanlış tanımlamak, kaynaklarınızı sosyal yardım kampanyaları ve özel teklifler için sebepsiz yere harcamanıza yol açarak gelirin düşmesine neden olabilir.
• Gerçek zamanlı olarak elde edilen veri kaynakları üzerine kurulu bir kayıp tahmin modeline ihtiyacınız var. Bu veriler mevcut davranışları yansıtır ve daha doğru tahminlere yol açar.

Abonelik şirketleri için kayıp tahmini

Abonelik hizmetleri (B2B SaaS, müzik akışı ve telekomünikasyon) satışına dayalı iş modelleri olan şirketler, müşterilerinden elde ettikleri sürekli gelire güveniyor. Abonelik kaybı tahmini, müşteri sadakatinden yararlanma ve müşteri yaşam boyu değerini artırma bu tür işletmeler için özellikle önemlidir.

AltexSoft ile yaptığı röportajda, HubSpot'taki Service Hub'ın genel müdürü Michael Redbord şunları söyledi:

Yüksek kayıp oranları, azalan müşteri sayısı nedeniyle daha az gelir anlamına gelir. Ayrıca, kötü deneyimler nedeniyle bir şirketten ayrılan kişilerin olumsuz yorumlar bırakması muhtemeldir, bu da imajını etkiler ve yeni müşteriler çekmeyi daha da zorlaştırır.

Kayıp tahmini kullanmaktan yararlanabilecek birçok abonelik tabanlı hizmet sağlayıcı türü vardır. Bu sektörlerden bazıları şunlardır:

Müzik ve video akışı hizmetleri

Bu şirketler, abonelerine müzik, TV şovları ve filmlere isteğe bağlı erişim sunar. Bu tür şirketlere örnek olarak Netflix ve Spotify verilebilir. Deloitte'un 2022 Dijital Medya Trendleri raporuna göre, ABD'deki ücretli video akışı hizmetleri, 2020'den bu yana tutarlı bir kayıp oranı %37'ye ulaştı.

Haber medyası

Haber medyası şirketleri son yıllarda odaklarını dijitale kaydırdı. 2021'de ABD'deki insanların %65'i haberlerini yazılı basından hiç veya nadiren almadıklarını söyledi. The New York Times ve Financial Times gibi kuruluşlar, müşterilerine çevrimiçi platformları aracılığıyla haber makalelerine ve bilgilere erişebilecekleri dijital abonelik paketleri sunmaktadır.

Dijitale geçişe rağmen, mobil haber uygulamaları 2022'de hala %25'lik bir kaldırma oranı yaşadı.

Telekomünikasyon hizmet sağlayıcıları

Telekom şirketleri, kablosuz, TV, internet ve cep telefonu hizmetleri gibi bir dizi abonelik tabanlı hizmet sunmaktadır. Bu tür şirketler arasında AT&T ve Vodafone bulunmaktadır. 2020'de Telekomünikasyon şirketleri %20'lik bir yıpranma oranı yaşadı.

Hizmet Olarak Yazılım (SaaS) şirketleri

SaaS şirketleri, bir tür bulut tabanlı hizmet sunan tüm işletmeleri içerir. Bu, Canva gibi çevrimiçi grafik tasarım hizmetlerinden Amazon gibi e-ticaret platformlarına kadar her şey olabilir.

Woopra'ya göre, SaaS şirketleri için ortalama aylık kayıp oranı %3 ile %8 arasında herhangi bir yerde. Yıllık, bu %32-50'dir.

Müşteri yaşam döngülerinizi anlama

Kayıpları tahmin etmeden önce müşteri yaşam döngülerinizi anlamanız gerekir. Amplitude Analytics gibi bir ürün analizi aracı, etkin kullanıcılarınızı dört alt gruba ayırabilir: yeni kullanıcılar, mevcut (etkin) kullanıcılar, yeniden dirilen (önceden etkin olmayan) kullanıcılar ve hareketsiz (etkin olmayan) kullanıcılar. Ürününüzün kullanıcı tabanının zamanla büyümesini sağlamak için her bir kullanıcı grubuna göz kulak olmalısınız.

Bu görünüm, kesintiyi sürekli olarak ölçmeye yardımcı olur, böylece onu azaltmak için harekete geçebilirsiniz. Kullanıcıları etkileşimde tutarak veya onlara tekrar aktif olmaları için bir neden vererek mevcut ve yeniden dirilen kullanıcı sayınızı artırmaya çalışmalısınız. Ayrıca, atıl kullanıcı sayınızı da düşürmek isteyeceksiniz; bu grup büyümeye başlarsa, elinizde bir nişan sorunu olabilir.

Kayıp tahmin modeli: Müşteriyi elde tutmayı iyileştirmenin anahtarı

CRM'ler ve analitik yazılımlar gibi araçlar sayesinde şirketler, yaşam döngüleri boyunca müşterileri hakkında bilgilerle dolu büyük veri kümelerine erişebilir. Bu geçmiş veriler, Genlik Hedef Kitleleri gibi araçları kullanarak müşteri kaybı tahmin modelinizi oluşturmada çok önemlidir.

Beş adımı izleyerek kayıp tahmin modelinizi oluşturabilirsiniz.

1. Kayıp tahmini hedeflerinizi belirleyin

Optimum kayıp tahmini model performansını sağlamanın ilk adımı, modelinizden ne elde etmek istediğinizi belirlemek ve tanımlamaktır. Yüksek düzeyde, şunları hedefliyorsunuz:

• Hangi müşterilerinizin en yüksek kayıp riski altında olduğunu belirleyerek müşteri yıpranmasını azaltın.
• Risk altındaki müşterilerinizin neden başarısız olabileceğinin nedenlerini anlayın.
• Risk altındaki müşterilerinizi elde tutmayı teşvik etmek için müşteri yolculuğunda değişiklikler tasarlayın ve uygulayın.

2. Veri hazırlama

CRM, analiz yazılımı veya doğrudan müşteri geri bildirimi aracılığıyla, satın alma yolculuklarının her temas noktasında müşterilerinizden veri toplarsınız.

İlgili müşteri verilerini toplamak ve sınıflandırmaya ve ayıklamaya hazır hale getirmek, kayıp tahmin modelinizi oluşturmaya yönelik ikinci adımdır. Bir analiz aracı kullanıyorsanız, doğru verileri nasıl toplayacağınızı öğrenmek için Davranış Verileri ve Olay İzleme Kılavuzumuzu okuyun.

3. Özelliklerle çalışma

Müşterileri kaybetmelerine neden olabilecek özelliklere göre temsil etmek ve kategorilere ayırmak için özellik mühendisliğini kullanın. Müşteri kaybını tartışırken beş tür özellik vardır:

• Müşteri özellikleri: Bunlar, yaşları, ne kadar kazandıkları ve eğitim düzeyleri gibi müşteri hakkında genel, demografik temelli bilgilerdir.
• Destek özellikleri: Bunlar, gönderilen e-postaların sayısı, çözüme kadar geçen süre ve sorun çözüldükten sonra memnuniyet derecelendirmeleri dahil olmak üzere müşterilerinizin müşteri destek ekibinizle olan etkileşimlerini ifade eder.
• Kullanım özellikleri: Bunlar, bir müşterinin ürün veya hizmetinizi nasıl kullandığına ilişkin unsurları tanımlar. Örneğin, telekom şirketi müşterileri için ortalama arama süresi veya kullanıcıların bir uygulamada oturum açma sayısı.
• Bağlamsal özellikler: Bunlar, bir şirketin müşteri hakkında sahip olduğu bağlama dayalı bilgileri içerir. Bu, cihazlarında kullandıkları işletim sistemi sistemi veya geçmiş satın alımları olabilir.
• Davranışsal özellikler: Bunlar, müşterilerin ürününüz içinde gerçekleştirdikleri belirli davranışlar ve eylemlerdir. Örneğin, bir kullanıcının bir müzik akışı uygulamasında bir oynatma listesini paylaşma sayısı.

Odaklanacak özellikleri belirledikten sonra, değişkenleri veya nitelikleri standartlaştırmak için bunları çıkarmanız gerekecektir. Yalnızca kayıp analiziyle ilgili bilgileri seçmelisiniz.

4. Modelinizi oluşturun

ML algoritmaları tipik olarak, hedef değişkenlerinizi organize eden ve onlara doğru veya yanlış bir değer veren ikili sınıflandırmayı kullanarak çalışır. Başka bir deyişle, bu belirli özellik müşterinizin vazgeçmesine neden oldu mu? Örneğin, uygulamayı telefondan kaldırmak genellikle müşteri kaybına neden olur mu?

Diğer bir yaygın tahmine dayalı model, mevcut tüm özellikleri kullanan ve potansiyel sonuçlar sağlayan bir karar ağacıdır. Karar ağacı modeli, bir müşterinin vazgeçip vazgeçmeyeceğini görmek için birden fazla senaryo sağlayacaktır.

Daha büyük veri kümeleriyle çalışan şirketler söz konusu olduğunda, rastgele orman olarak da adlandırılan çok sayıda karar ağacında tahmine dayalı modeller oluşturabilirsiniz. Rastgele bir ormanda, her karar ağacının olumlu ya da olumsuz yanıtlı bir sınıflandırması vardır. Karar ağaçlarının çoğunluğu olumlu cevaplar veriyorsa, nihai tahmin olumlu olacaktır.

5. Modelinizi izleme

Modeliniz hazır olduğunda, onu tahmin aracınıza entegre etme zamanıdır. Bu araç ile modelinizin performansını test edebilir, izleyebilir ve gerekirse özelliklerde ayarlamalar yapabilirsiniz. Seçtiğiniz modeli uygular ve üretime gönderirsiniz. İyi performans gösteriyorsa, mevcut uygulamanızı güncelleyebilir veya yeni bir ürünün odak noktası olarak kullanabilirsiniz.

Bir analiz aracında bir tahmin modeli oluşturma

Amplitude gibi bir analitik aracında bir tahmin modelinin nasıl oluşturulacağını inceleyelim.

1. Bir başlangıç ​​grubu veya kullanıcı grubu tanımlayın

2. Gelecekteki sonuç durumlarını tahmin edin

Tahminler, gelecekteki davranışı tahmin etmek için geçmiş davranışı kullanır. Amplitude gibi bir analiz aracı, iki dönem önce başlangıç ​​grubunda yer alan kullanıcılara bakacak ve bir dönem önce istenen sonuca ulaşan ve ulaşamayan kullanıcıları belirleyecektir.

3. Kullanıcıları bu modele göre sıralayın ve puanlayın

Tahmine dayalı model, sonraki 7, 30, 60 veya 90 gün içinde istenen sonuca ulaşmak için başlangıç ​​grubundaki her kullanıcı için bir olasılık puanı hesaplar. Model, mevsimsel verileri hesaba katmak için her gün yeniden eğitilir.

Aşağıdaki resim en üstteki %5'e bakıyor.

4. Ürününüzü ve pazarlama stratejilerinizi bilgilendirmek için tahmine dayalı kohortları kullanın

Kullanıcıları ayrılma olasılıklarına göre segmentlere ayırmak için tahmine dayalı kohortları kullanabilirsiniz. 3. adımdaki dereceli kullanıcılarınızı yeni bir kohorta dönüştürün ve onları şu şekilde yeniden hedefleyin:

• Elde tutmayı artırmak için tasarlanmış pazarlama kampanyalarına bunları dahil etmek
• İndirimli fiyatlar veya özel teklifler dahil dinamik fiyatlandırma sunmak
• İçerik ve ürün deneyimlerini tercihlerine göre kişiselleştirme
• Mesajlaşma sıklığını dönüştürme veya bırakma olasılıklarına göre ayarlama
• Yeni web sitesi veya ürün değişiklikleriyle deneme yapmak için özel A/B testleri çalıştırma

Örneğin, kullanımdan çıkma olasılığı yüksek bir kullanıcı grubu bulursanız, onlara daha büyük bir indirim veya teşvik sunmak için ters fiyatlandırma taktiklerini kullanabilirsiniz.

Kayıp tahmini analitiğine başlarken

Kayıp kaybı tahmini ne kadar karmaşık görünse de, doğru araçlarla bunu yapmak kolaydır. Genlik, teknik olmayan ekiplerin kod yazmadan veya mühendislik kaynaklarına ve bağımlılıklarına güvenmeden karmaşık yapay zeka modelleri oluşturmasını sağlar. Kargaşayı tahmin etmek ve azaltmak için güçlü bir model oluşturmak için işaretle ve tıkla eylemleriyle bir self servis arabirimi kullanın. Amplitude'ün başlangıç ​​planı ile kendiniz ücretsiz deneyin.

Self servis demo deneyimimizde kesintiyi nasıl hesaplayacağınızı öğrenmek için aşağıdaki videoyu izleyin.

Referanslar

• Müşteri Edinme ve Elde Tutma Maliyetleri, Invesp
• Makine Öğrenimi Kullanan Abonelik İşletmeleri için Müşteri Kaybı Tahmini: Ana Yaklaşımlar ve Modeller, AltexSoft
• Kayıp Oranı ve Elde Tutma Oranı: Bu SaaS KPI'ları Nasıl Hesaplanır, Woopra