Dự báo tỷ lệ rời bỏ khách hàng. Dự đoán tỷ lệ rời bỏ khách hàng và tìm kiếm quy tắc kết hợp

(churn) là một vấn đề thú vị. Không khó để tính toán giá trị thực của nó. Nhưng một khi bạn bắt đầu đưa ra dự báo cho tương lai, việc tính toán sẽ trở nên khó khăn hơn nhiều.

Các nhà tiếp thị thường xác định và dự đoán tỷ lệ rời bỏ theo nhiều cách khác nhau. Chúng ta hãy cố gắng tìm ra nhiều phương pháp và chọn phương pháp tốt nhất. Đầu tiên, hãy trả lời câu hỏi: khuấy động là gì?

Khách hàng bị mất trong kỳ - số lượng khách hàng đã rời bỏ bạn trong kỳ
Khách hàng đầu kỳ - tổng số khách hàng đầu kỳ

Ví dụ: vào đầu tháng 1, bạn có 100 khách hàng. Trong một tháng bạn đã mất đi 10 trong số đó. Tỷ lệ rời bỏ trong tháng 1 sẽ là 10%.

Đây là một mô hình rời bỏ mô tả. Nó làm rõ điều gì đã xảy ra, nhưng khả năng của nó bị hạn chế nếu chúng ta quan tâm đến xu hướng của chỉ báo. Điều duy nhất chúng tôi có thể nói dựa trên công thức này là: “Chúng tôi đã mất 10% khách hàng trong tháng này”.

Mô hình mô tả giả định rằng đối với Những tình huống khác nhau dòng chảy ra sẽ giống nhau:

Vấn đề nảy sinh khi cố gắng đưa ra dự báo cho tương lai dựa trên kết quả hoạt động của các giai đoạn trước. Chúng tôi nói: “N% khách hàng dự kiến ​​sẽ rời đi trong tháng tới vì... chúng tôi đã mất n% trong việc này. Tính toán tổn thất của khách hàng trong trong trường hợp này Hàm phân phối mẫu sẽ giúp:

Trong phương trình trên, tỷ lệ rời bỏ là một mẫu từ phân phối beta. Một mô hình tính toán tương tự được sử dụng để đưa ra dự báo dựa trên dữ liệu có sẵn. Giá trị trung bình của phân phối là giá trị có thể xảy ra nhất của chỉ báo.

Đồng thời, có một số giá trị dòng tiền chảy ra khác chỉ được quan sát thấy do tình cờ. Phân phối beta cho thấy khả năng xảy ra các lựa chọn thay thế này - nó phụ thuộc trực tiếp vào diện tích dưới đường cong. Mặc dù các tùy chọn 1/10 và 100/1000 cho cùng tỷ lệ rời bỏ là 10% nhưng chúng thể hiện sự phân bổ hoàn toàn khác nhau. Dưới đây là các tùy chọn với mức độ rời bỏ 1/10, 10/100 và 100/1000, được hiển thị dưới dạng phân phối:

Tình huống tương tự như việc phân tích kết quả của thử nghiệm phân tách. Nếu bạn đã tính tỷ lệ rời bỏ, điều đầu tiên bạn nên kiểm tra là liệu lượng dữ liệu được xử lý có đủ để đưa ra tuyên bố về độ tin cậy của giá trị này hay không.

Ví dụ: nếu bạn có tổng cộng 100 khách hàng, tháng trước bạn đã mất 3% trong số đó và tháng này bạn mất 6%, thì có khả năng tỷ lệ rời bỏ thực tế là như nhau trong cả hai khoảng thời gian. Hàm phân phối mẫu cho biết tỷ lệ rời bỏ kết quả phù hợp như thế nào với dữ liệu chúng tôi đã thu thập.

Khi chúng tôi không có đủ dữ liệu thu được từ thử nghiệm phân tách, chúng tôi sẽ tiếp tục dữ liệu đó cho đến khi đạt được yêu cầu ý nghĩa thống kê. Có thể áp dụng kỹ thuật này khi xác định giá trị rời bỏ không?

Một trong những nhiệm vụ chính của nhà phân tích là tính toán tỷ lệ rời bỏ hàng tháng. Khi tính toán dòng tiền chi ra cho tháng 1, chúng tôi không thể sử dụng dữ liệu của tháng 2. Chúng ta cần một phương pháp mô phỏng:

• Những tổn thất mà chúng tôi quan sát được khi sử dụng phân phối beta (tỷ lệ rời bỏ thực tế);
• Tốc độ dòng chảy ra dưới dạng giá trị thả nổi.

Một khó khăn nữa là số lượng khách hàng rời bỏ chúng tôi trong một tháng có phần ngẫu nhiên. Nếu chúng ta có thể dự đoán 100% thì mô hình rời bỏ có thể được rút gọn thành một công thức đơn giản.

Mô hình hóa

Hãy lùi lại một bước và cố gắng tạo một mô hình mà chúng ta không phải lo lắng về việc không có đủ dữ liệu. Thay vì tập trung vào việc rời bỏ một cách riêng lẻ, chúng ta hãy nhìn vào cơ sở khách hàng của công ty. Hãy bắt đầu với một mô hình đơn giản hóa, dần dần bổ sung thêm những vấn đề phức tạp nêu trên.

Ở giai đoạn đầu, chúng tôi có các biến:

p 0 là quy mô ban đầu của dân số tiêu dùng, thay đổi dưới tác động của các biến số;
c là hệ số dòng chảy ra;
a — người mua mới;
l - khách hàng bị mất (dựa trên dân số ban đầu và tỷ lệ rời bỏ).

Công thức xác định số lượng người mua trong một tháng nhất định (p 1) như sau:

Bây giờ hãy xem điều gì xảy ra theo thời gian, với điều kiện là:

Thử nghiệm đầu tiên của bất kỳ mô hình toán học nào là so sánh nó với thế giới quan của bạn. Sự tăng trưởng thể hiện trong biểu đồ mượt mà hơn nhiều so với trong thế giới thực. Ngoài ra, sự tăng trưởng dừng lại ở tháng thứ 50.

Tất cả là vì Mô hình này sử dụng giá trị không đổi của tỷ lệ rời bỏ (c) và khách hàng mới (a). Trong thực tế, không có gì là vĩnh viễn. Mô hình cần được cải thiện.

Thay vì xem xét hằng số c, hãy bắt đầu sử dụng dãy c n và a n .

Hãy tạo chuỗi tỷ lệ rời bỏ trong 12 tháng:

c = 0,1, 0,11, 0,1, 0,09, 0,085, 0,07, 0,073, 0,072, 0,07, 0,069, 0,07, 0,069

Chúng ta cũng sẽ tạo một dãy số lượng khách hàng mới:

a = 200, 180, 210, 212, 230, 250, 240, 230, 245, 250, 255, 260

Những chuỗi này mô phỏng một năm trong đó tỷ lệ rời bỏ giảm trong khi số lượng khách hàng mới tăng lên.

Công thức tính p n sẽ thay đổi:

Ở đâu:

Hãy nhớ rằng p 0 là số lượng khách hàng “bắt đầu”. P 1 - số vào cuối tháng 1, v.v.

Sơ đồ đã thay đổi và bây giờ trông như thế này:

Rõ ràng bằng mắt thường rằng đó là một năm tốt lành!

Một vấn đề khác phát sinh. Có nhiều điểm không chắc chắn không được phản ánh trong mô hình. Hãy thử thêm một lượng nhỏ xác suất vào tính toán của chúng ta.

Hãy chú ý đến các quá trình ngẫu nhiên!

Thuật ngữ “ngẫu nhiên” trong toán học có nghĩa là “ngẫu nhiên”. Những thứ kia. kết quả của một quá trình như vậy không thể dự đoán được ở trạng thái ban đầu của hệ thống. Quá trình ngẫu nhiên nổi tiếng nhất là chuyển động Brown. Nếu bạn đọc về nó trên Wikipedia, bạn sẽ gặp một số phương trình đáng sợ. Tuy nhiên, ý tưởng của họ khá đơn giản.

Hãy bắt đầu với phân phối bình thường, được xác định bởi giá trị của µ - kỳ vọng toán học và σ - độ lệch chuẩn.

Phân phối chuẩn chuẩn hóa là phân phối có µ=0 và σ=1. Trên biểu đồ nó trông như thế này:

Lấy mẫu từ phân bố chuẩn - Dân số Số ngẫu nhiên Mô hình này. Hơn nữa, con số càng gần giữa thì khả năng xuất hiện càng cao.

Nếu chúng ta chọn 1000 số ngẫu nhiên từ phân phối N(0,1) tiêu chuẩn, chúng ta sẽ nhận được biểu đồ sau:

Để đưa mẫu về dạng chuyển động Brown cần tính tổng tích lũy, khi mỗi điểm là tổng của tất cả các điểm trước đó trong mô hình.

Khi chúng ta tưởng tượng sự phân bố dưới dạng chuyển động Brown, đồ thị của nó sẽ có dạng sau:

Nếu thoạt nhìn biểu đồ có vẻ lộn xộn, thì sau khi sử dụng phương pháp tổng tích lũy, nó bắt đầu trông giống như các mô hình biến động giá cổ phiếu! Trên thực tế, chuyển động Brown là một thành phần quan trọng của mô hình Black-Scholes được sử dụng để định giá quyền chọn. Ai biết được rằng dự báo tỷ lệ rời bỏ sẽ dẫn chúng ta vào thế giới tài chính!

Điều quan trọng cần lưu ý là nếu giá trị trung bình của phân phối chuẩn lớn hơn 0 thì mô hình chuyển động Brown sẽ có xu hướng di chuyển lên trên. Nếu giá trị trung bình nhỏ hơn 0, biểu đồ sẽ đi xuống. Chuyển động này được gọi là trôi dạt, bởi vì. một quá trình ngẫu nhiên trôi theo một hướng nhất định.

Mô hình rời bỏ ngẫu nhiên

Bước tiếp theo trong dự báo tỷ lệ rời bỏ là xây dựng phương trình vi phân ngẫu nhiên. Một phương trình cổ điển giúp mô tả một biến hoặc hàm. Nhưng sự đa dạng của chúng tôi sẽ khác nhau. ngẫu nhiên phương trình vi phân sẽ mô tả một quá trình ngẫu nhiên!

Chúng tôi giả định rằng dòng tiền ra và dòng tiền vào là những quá trình ngẫu nhiên đặc trưng cho sự biến động của nhóm người tiêu dùng trong nhiều năm. Để hiểu rõ hơn về quy trình, chúng ta hãy xem xét riêng dòng tiền vào như một thành phần của mô hình.

Chúng ta hãy định nghĩa dòng vào là chuyển động Brown với kỳ vọng toán học µ acq và độ lệch chuẩn σ acq.

Công thức cho thấy việc thu hút khách hàng ở thời kỳ n là bước thứ n trong chuyển động Brown. Mẹo để hiểu là bước thứ n không chỉ là một con số mà là một khoảng trắng có nhiều giá trị có thể có.

Việc mô phỏng việc rời bỏ khó khăn hơn một chút. Hãy lấy chuyển động Brown làm cơ sở cho mô hình:

Phương trình này chỉ là sự thay đổi về mặt lý thuyết của dòng chảy ra, mà chúng ta sẽ không bao giờ có thể quan sát được trong thực tế. Để thể hiện chính xác tổn thất, cần phải thực hiện thêm một bước nữa. Xét cho cùng, dòng tiền ra là một mẫu phân phối beta có giá trị trung bình c n:

Bây giờ hàm của chúng ta sẽ trông như sau:

Và cuối cùng chúng ta nhận được:

Phương trình kết quả rất giống với công thức cuối cùng mà chúng tôi rút ra. Sự khác biệt chính là A n và L n là các quá trình ngẫu nhiên chứ không phải các giá trị cố định trong một chuỗi.

Hãy xem kết quả mẫu sẽ như thế nào trong trường hợp này. Tất cả những gì bạn cần là xác định giá trị của một số tham số.

µ khuấy = 0,001, σ khuấy = 0,001
µ acq = 0,05, σ acq = 40
p0 = 1000

Chúng tôi giả định rằng giá trị rời bỏ ban đầu là 0,1 và dòng tiền vào là 200 (tức là tỷ lệ rời bỏ lúc đầu là 10% và chúng tôi nhận được 200 khách hàng trong kỳ). Trong hình dưới đây hình ảnh đồ họa quá trình ngẫu nhiên trong khoảng thời gian 72 tháng.

Đừng quên - mô hình ngẫu nhiên giả định rằng mỗi lần chạy nó, chúng ta sẽ nhận được một câu trả lời khác!

Bạn có thể nói: “Không có gì ngẫu nhiên xảy ra ở công ty tôi cả! Chúng tôi lên kế hoạch là có lý do! Mô hình ngẫu nhiên không cho rằng các sự kiện là ngẫu nhiên. Họ chỉ tin rằng các sự kiện không được xác định.

Ví dụ: mỗi khi bạn thực hiện thử nghiệm phân tách, có khả năng giải pháp của bạn sai. Ngay cả khi kết quả được xác định với độ chính xác 99,99% thì vẫn có khả năng xảy ra sai sót. Giả sử nguồn lưu lượng truy cập đã thay đổi đáng kể... Hoặc hệ thống thu thập số liệu thống kê của bạn bị lỗi.

Những biến động nhỏ xảy ra thường xuyên hơn những biến động lớn và phân phối chuẩn có tính đến điều này. Ngoài ra, phân phối bình thường giả định rằng bạn liên tục làm việc để cải thiện sản phẩm và nhóm tiếp thị thường xuyên tăng chuyển đổi (điều này được biểu thị bằng sự trôi dạt của quy trình).

Mô hình hóa dữ liệu quan sát

Mô hình ngẫu nhiên của chúng ta vẫn thiếu các tham số μ khuấy , σ khuấy , μ acq , σ acq . Hãy nhớ rằng, μ là xu hướng chung về việc rời bỏ và thu hút khách hàng, và σ là mức độ không chắc chắn mà chúng ta phải đối mặt.

Chúng ta sẽ sử dụng các giá trị trước đó của dòng tiền ra và dòng tiền vào của khách hàng:

с = 0,1, 0,11, 0,09, 0,085, 0,07, 0,073, 0,072, 0,07, 0,069, 0,07, 0,069
a = 200, 180, 210, 212, 230, 250, 240, 230, 245, 250, 255, 260

Bây giờ chúng tôi tính toán μ và σ dựa trên dữ liệu thống kê được thu thập. Mô hình của chúng tôi giả định tổng giá trị tích lũy của phân phối chuẩn. Trong trường hợp này, bạn không thể đơn giản lấy kỳ vọng toán học và độ lệch so với nó. Chúng ta phải tính toán sự khác biệt giữa mỗi giai đoạn:

c khác biệt = 0,010, -0,010, -0,010, -0,005, -0,015, 0,003, -0,001, -0,002, -0,001, 0,001, -0,001
chênh lệch = -20, 30, 2, 18, 20, -10, -10, 15, 5, 5, 5

Sau đó, sử dụng các công thức bên dưới, chúng ta tìm thấy μ và σ:

Chúng tôi nhận được:

μchurn = -0,002818182

σchurn = 0,006925578

μ acq = 5,454545

μ acq = 5,454545

Sử dụng các tham số thu được bằng thực nghiệm, chúng tôi xây dựng mô hình ngẫu nhiên:

Đường sáng nhất trên biểu đồ là dữ liệu làm cơ sở cho mô hình kết quả. Việc thông tin nguồn nằm ở trung tâm là một thử nghiệm tốt về tính khách quan của mô hình của chúng tôi. Các lựa chọn còn lại được đánh dấu bằng các đường sáng là các đường dẫn có thể xảy ra cho sự phát triển của các sự kiện.

Một bằng chứng khác về tính đúng đắn của mô hình thu được: chúng ta càng tiến về phía trước theo thời gian thì phạm vi càng trở nên rộng hơn. những lựa chọn khả thi. Suy cho cùng, chúng ta càng dự đoán xa thì chúng ta càng kém tin tưởng vào lời nói của mình.

Vận dụng phương pháp vào thực tế

Các nhà quản lý thường không muốn bạn chỉ cho họ một quy trình ngẫu nhiên và nói: “Hãy nhìn xem chúng tôi không biết nhiều đến mức nào! Thật tuyệt vời phải không?" Chúng tôi đã mô tả việc dự đoán tỷ lệ rời bỏ khó khăn như thế nào nhưng làm cách nào để áp dụng mô hình này vào thực tế?

Bằng cách phân tích dữ liệu của giai đoạn trước, bạn có thể xây dựng mô hình của ngày hôm nay và biết chính xác các sự kiện đã bắt đầu phát triển theo cách nào. Nếu công ty của bạn không có kế hoạch thay đổi toàn cầu thì rất có thể quá trình tiếp theo sẽ diễn ra theo một mô hình tương tự.

Bằng cách phân tích thông tin từ các giai đoạn trước, bạn có thể cố gắng hiểu được tương lai. Sử dụng dữ liệu của 12 tháng, bạn có thể biết mô hình dự đoán gì trong 6 tháng tiếp theo:

Nếu như CEO hình dung việc mở rộng cơ sở khách hàng của bạn lên 4.000 người trong sáu tháng, mô hình ngẫu nhiên sẽ giúp bạn giải thích một cách khoa học rằng điều này là không thể ngay cả khi có kết quả tốt nhất của các sự kiện. Nếu mục tiêu là “giảm” xuống còn 2.500 khách hàng, mô hình sẽ cho bạn biết những thay đổi nào cần thực hiện đối với công việc.

Phần kết luận

Rất khó để dự đoán tình trạng rời bỏ; luôn có một số điều không chắc chắn. Tuy nhiên, nó sẽ không thay đổi trạng thái rời bỏ như một chỉ số SaaS quan trọng.

Đếm chỉ số này Dù bằng cách nào, hãy chắc chắn rằng bạn hiểu những hạn chế của mình. Công ty càng có ít khách hàng thì độ chính xác của phép tính càng cao. Làm sao nhiều khách hàng hơn- khả năng bị các lực lượng “bên ngoài” can thiệp vào quá trình càng lớn và do đó, độ chính xác của dự báo càng thấp.

Dự báo tỷ lệ rời bỏ khách hàng

Bộ phận tiếp thị của ELEMENTAREE tiết lộ rằng hầu hết tất cả khách hàng không có đơn hàng trong 5 tháng qua đều không mua hàng trong các giai đoạn sau. Những nỗ lực để quay lại với những khách hàng như vậy cực kỳ không hiệu quả, vì theo thời gian, khách hàng đã quên mất công ty và rơi vào tình trạng cạn kiệt nguồn vốn. Bộ phận tiếp thị được giao nhiệm vụ xác định những khách hàng có xu hướng rời bỏ để cố gắng đưa họ trở lại trạng thái khách hàng hiện tại của công ty ngay cả trước khi chuyển sang trạng thái khách hàng đang rời bỏ.

Nhiệm vụ dự đoán tỷ lệ rời bỏ khách hàng bắt nguồn từ nhiệm vụ dự đoán một tham số (được dự đoán) dựa trên các tham số khác (dự đoán). Thông số rời bỏ phản ánh sự kiện. Sự kiện này là một biến Boolean dựa trên số ngày đã trôi qua kể từ ngày giao hàng cuối cùng. Nếu một khách hàng không đặt hàng trong hơn 160 ngày thì khách hàng đó được coi là đang ngừng hoạt động.

Là kết quả đầu ra của nghiên cứu, nhiệm vụ này yêu cầu tạo một bảng phản ánh số nhận dạng khách hàng và khả năng họ rời bỏ.

Để lựa chọn phương pháp tốt nhất phân tích tiên đoán Dữ liệu được phân tích bằng 3 phương pháp: thuật toán cây quyết định, thuật toán hồi quy logistic và quy tắc quan hệ. Sự lựa chọn dựa trên mức độ liên quan của các thuật toán này đối với một nhiệm vụ nhất định, tính đơn giản của chúng và tính minh bạch của kết quả thu được.

• · Thuật toán cây quyết định. Thuật toán này cho kết quả tương đối thấp. Khó khăn trong việc xây dựng một mô hình ổn định phản ánh trọng số (tầm quan trọng của tham số) và xác suất xảy ra sự kiện cũng được bộc lộ. Vì vậy, việc tạo ra một bảng phản ánh một số nhận dạng khách hàng và tỷ lệ phần trăm khả năng rời bỏ của anh ta đã gây ra khó khăn. Thuật toán này đã bị xóa khỏi danh sách các thuật toán có liên quan để dự đoán tỷ lệ rời bỏ khách hàng.
• · Thuật toán hồi quy logistic. Thuật toán này là một cấu hình đặc biệt của thuật toán mạng lưới thần kinh. Hồi quy logistic được sử dụng thay cho hồi quy tuyến tính vì nó không chỉ hỗ trợ các tham số liên tục của trường đầu vào và đầu ra mà còn hỗ trợ các giá trị logic và rời rạc.
• · Quy luật của các mối quan hệ. Thuật toán này cũng phù hợp và phù hợp để giải quyết vấn đề hiện tại là dự đoán tỷ lệ rời bỏ khách hàng. Nó, giống như thuật toán hồi quy logistic, cho phép gán trọng số và sự phụ thuộc xác suất của các trường. Mô hình được xây dựng bằng phương pháp quy tắc quan hệ hóa ra phức tạp hơn và do đó kém ổn định hơn.

Vì vậy, thuật toán hồi quy logistic và các quy tắc quan hệ đã được trình bày để chọn ra thuật toán tốt nhất. Thuật toán tốt nhất được xác định bằng cách so sánh độ chính xác của xác suất.

Đối với bộ thử nghiệm, 200 khách hàng được xem xác suất rời bỏ của họ bằng hai phương pháp phân tích. Người quản lý hỗ trợ khách hàng đã liên lạc với từng khách hàng. Mô hình được xây dựng bằng thuật toán hồi quy logistic cho kết quả gần giống với mô hình được xây dựng bằng các quy tắc quan hệ. Tuy nhiên, mô hình hồi quy logistic đơn giản hơn và do đó ổn định hơn. Vì lý do này, lựa chọn được đưa ra là xây dựng mô hình bằng thuật toán hồi quy logistic. Dưới đây là hình ảnh trực quan của mô hình:

Hình 10.

Như đã đề cập trước đó, kết quả cuối cùng của việc dự báo tỷ lệ rời bỏ sẽ là một bảng. Để tạo một bảng như vậy ở định dạng quen thuộc với người quản lý trung tâm cuộc gọi, các bảng định dạng XLSX đã được chọn. Trọng số và xác suất được đặt trên một tờ, dữ liệu đầu vào trên tờ thứ hai, bảng cuối cùng thu được được đặt trên tờ thứ ba. Nó trông như thế này:

Hình 11.

Là một phần của nhiệm vụ dự đoán tỷ lệ rời bỏ khách hàng, một mô hình hoạt động đã được tạo ra trong đó trọng số và xác suất của đối tượng được chỉ định. Trên trang trợ giúp, người dùng có thể nhập nội dung tải xuống có chứa các trường dự đoán. Bảng kết quả chứa số ID khách hàng, xác suất rời bỏ và các cột hỗ trợ (ví dụ: số điện thoại). Là một phần của việc thử nghiệm mô hình, chúng tôi đã liên hệ với 50 khách hàng có xác suất rời bỏ cao (>75%). 43 khách hàng xác nhận không còn ý định sử dụng dịch vụ của ELEMENTAREE nữa. 7 khách hàng còn lại đều có lý do cụ thể khiến họ tạm dừng chế độ ăn kiêng với ELEMENTAREE. Sau khi liên lạc với khách hàng và đề nghị họ giảm giá 1.500 rúp khi đăng ký Chế độ ăn kiêng trong 2 tuần, 16 khách hàng đã đặt hàng. 11 người trong số họ sau đó đã đăng ký thêm 2 tuần nữa và tiếp tục dùng bữa bình thường với ELEMENTAREE. TRÊN khoảnh khắc này thử nghiệm được thực hiện giữa các khách hàng có xác suất rời bỏ thấp hơn và vấn đề hình thành hàm phụ thuộc của quy mô chiết khấu vào xác suất rời bỏ đã được giải quyết.

CHƯƠNG 1. CHIẾN LƯỢC CRM TRONG VIỄN THÔNG.

1.1. Sử dụng CRM để cá nhân hóa khách hàng.

1.2. Hệ thống thanh toán: mô tả, mục đích, chức năng.

1.2.1. Thủ tục tính cước và thanh toán.

1.2.2. Cấu trúc và chức năng của hệ thống thanh toán.

1.2.3. Lịch sử phát triển của hệ thống thanh toán.

1.2.4. Xu hướng và triển vọng phát triển hệ thống thanh toán.

1.2.5. Yêu cầu đối với hệ thống thanh toán hiện đại.

1.2.6. đặc trưng thị trường hiện đại các hệ thống thanh toán.

1.3. Kết luận.

CHƯƠNG 2. CÔNG NGHỆ KHAI THÁC DỮ LIỆU - BỘ CÔNG CỤ PHÂN TÍCH CRM-CHCTEM.

2.1. Định nghĩa dữ liệu Khai thác mỏ

2.2. Quá trình khám phá tri thức mới bằng công nghệ Data Mining.

2.3. Các lớp học Hệ thống dữ liệu Khai thác mỏ

2.4. Mô hình khai thác dữ liệu.

2.5. Nhiệm vụ khai thác dữ liệu.

2.6. Phân loại và hồi quy.

2.6.1 Phát biểu vấn đề.

2.6.2. Trình bày kết quả.

2.6.3. Cây quyết định.

2.7. Phân cụm.

2.7.1. Các thuật toán phân cụm.

2.8. Tìm kiếm quy tắc kết hợp (tìm kiếm hạn chế).

2.8.1. Xây dựng vấn đề.

2.8.2. Các thuật toán tìm kiếm luật kết hợp.

2.8.3. Phân tích tuần tự.

2.9. Ví dụ về ứng dụng thực tế của Khai thác dữ liệu.

2.10. Khai thác dữ liệu trong viễn thông.

2.11. Kết luận.

CHƯƠNG 3. PHÂN TÍCH TRIỂN VỌNG SỬ DỤNG THỦ THUẬT CÂY QUYẾT ĐỊNH VÀ QUY TẮC KẾT HỢP ĐỂ DỰ ĐOÁN KHÁCH HÀNG.

3.1. Xây dựng vấn đề.

3.2. Mô hình hóa cơ sở dữ liệu về lưu lượng khách hàng được cá nhân hóa.

3.3. Mô tả ngắn các chương trình mô hình hóa cơ sở dữ liệu giao thông được cá nhân hóa (“Trình tạo”).

3.3.1. Cửa sổ làm việc các chương trình.

3.3.2. Thuật toán cho chương trình “Generator”.

3.4. Dự báo mức độ trung thành của khách hàng tiềm năng bằng thuật toán tìm kiếm quy tắc kết hợp (thuật toán Apriori - hệ thống Wiz Why).

3.5. Dự báo mức độ trung thành của khách hàng tiềm năng bằng thuật toán cây quyết định.

3.5.1. Lựa chọn loại thuật toán cây quyết định.

3.5.2. Cây quyết định nhị phân (thuật toán CART).

3.5.3. Cây quyết định không nhị phân (thuật toán ID3 và C4.5).

3.5.4. Dự báo mức độ trung thành của khách hàng tiềm năng.

3.6. Kết luận.

CHƯƠNG 4. PHÁT TRIỂN HỆ THỐNG HỖ TRỢ QUYẾT ĐỊNH ĐỂ DỰ ĐOÁN TỶ LỆ KHÁCH HÀNG DỰA TRÊN CÔNG NGHỆ KHAI THÁC DỮ LIỆU.

4.1. Mô tả thuật toán được phát triển và hệ thống Dự báo.

4.2. Cấu trúc cửa sổ làm việc của hệ thống Dự báo.

4.3. Một ví dụ về dự đoán mức độ trung thành của khách hàng tiềm năng bằng hệ thống Predicter.PO

4.4. So sánh hệ thống Wiz Why và Dự báo.

4.5. Kết luận.

Kết luận của luận án về chủ đề “Hệ thống viễn thông và mạng máy tính”, Palmov, Sergey Vadimovich

Danh sách tài liệu tham khảo cho luận án Ứng viên Khoa học Kỹ thuật Palmov, Sergey Vadimovich, 2005

Xin lưu ý rằng các văn bản khoa học trình bày ở trên được đăng nhằm mục đích cung cấp thông tin và có được thông qua sự công nhận văn bản gốc luận văn (OCR). Do đó, chúng có thể chứa các lỗi liên quan đến thuật toán nhận dạng không hoàn hảo. TRONG tập tin PDF Không có những sai sót như vậy trong các luận văn và tóm tắt mà chúng tôi cung cấp.

khách hàng rời bỏkhuấy động) là việc mất đi khách hàng thể hiện khi không mua hàng hoặc không thanh toán trong một khoảng thời gian nhất định. Đối với một số lĩnh vực hoạt động, khái niệm dòng tiền ra không được áp dụng (ví dụ: bán bất động sản), vì hoạt động mua hàng không diễn ra thường xuyên. Tỷ lệ rời bỏ là cực kỳ quan trọng đối với các công ty có mô hình kinh doanh giao dịch và đăng ký, ngụ ý các khoản thanh toán thường xuyên cho công ty. Đó là các ngân hàng, nhà khai thác viễn thông, dịch vụ SaaS.

Có ba loại khuấy:

• Tự nhiên– thay đổi nơi ở, qua đời, thay đổi nhu cầu (ví dụ, các sản phẩm dành cho trẻ em mất đi sự phù hợp khi trẻ lớn lên).
• có động lực- khách hàng từ chối dịch vụ của công ty để chuyển sang công ty khác hoặc tìm thấy Lựa chọn thay thếđáp ứng nhu cầu của bạn. Ví dụ: từ bỏ dịch vụ truyền hình cáp để chuyển sang dịch vụ cung cấp nội dung đăng ký.
• Ẩn giấu- khách hàng tiếp tục sử dụng dịch vụ của công ty, nhưng số lượng và tần suất sử dụng giảm. Cái này dấu hiệu chắc chắn thực tế là khách hàng đồng thời sử dụng dịch vụ của đối thủ cạnh tranh hoặc sản phẩm thay thế. Theo quy định, hiện tượng này không được phân loại là rời bỏ, mặc dù hầu hết khách hàng bị mất trước tiên đều giảm thị phần và tần suất tiêu dùng trước khi cắt đứt quan hệ với công ty.

Những lý do khiến khách hàng rời bỏ khác nhau tùy thuộc vào ngành và đặc điểm cụ thể của công ty. Tuy nhiên, một số lý do khiến khách hàng rời bỏ là phổ biến đối với tất cả các lĩnh vực hoạt động:

• Không hài lòng với chất lượng sản phẩm và dịch vụ của công ty– như nhiều nghiên cứu cho thấy, điều này Lý do chính dòng chảy ra.
• Mức độ dịch vụ khách hàng thấp– điều quan trọng không chỉ là cung cấp cho người mua một sản phẩm chất lượng mà còn cung cấp mức độ dịch vụ phù hợp.
• Nhiều ưu đãi hấp dẫn hơn từ đối thủ, nhưng không nhất thiết có lợi hơn. Giá trị cảm nhận có thể khác rất nhiều so với giá trị thực tế của sản phẩm hoặc dịch vụ. Khách hàng có thể bị thu hút bởi quảng cáo hoặc cách trình bày đẹp mắt về sản phẩm của đối thủ cạnh tranh.
• Sự xuất hiện của các sản phẩm hoặc dịch vụ thay thế- Sự xuất hiện của các giải pháp mới trên thị trường đáp ứng nhu cầu của khách hàng. Một ví dụ điển hình là sự xuất hiện của điện thoại VoIP khiến lượng thuê bao của người dùng điện thoại truyền thống sụt giảm nghiêm trọng.
• Giảm lòng trung thành với thương hiệu- mong muốn thử điều gì đó mới mẻ, xu hướng thời trang, lời giới thiệu từ gia đình và bạn bè là những lý do khá phổ biến khiến bạn rời bỏ. “Mệt mỏi” khi tiêu thụ sản phẩm của công ty khuyến khích khách hàng thử nghiệm và thử các lựa chọn thay thế.
• Yếu tố cá nhân– thay đổi mức thu nhập, tình trạng hôn nhân, đam mê, sở thích, v.v.

Cách tính tỷ lệ rời bỏ khách hàng

Mức độ dòng chảy phụ thuộc nghiêm trọng vào phương pháp tính toán đã chọn. Câu hỏi chính, xảy ra khi đo lường tỷ lệ rời bỏ - sau khoảng thời gian không hoạt động mà khách hàng được coi là mất đi. Việc lựa chọn sai tham số này sẽ dẫn đến những sai lệch nghiêm trọng trong việc đánh giá và giải thích dòng chảy ra. Công thức cơ bản để tính toán tỷ lệ rời bỏ khá đơn giản:

Tỷ lệ rời bỏ khách hàng= số lượng khách hàng bị mất trong khoảng thời gian \ tổng số khách hàng tại thời điểm bắt đầu đo lường.

Khoảng thời gian đo lường tỷ lệ rời bỏ sản phẩm phải được chọn có tính đến các đặc điểm cụ thể của doanh nghiệp - tính thời vụ, giai đoạn của vòng đời sản phẩm, nếu sản phẩm mới hoặc dịch vụ, v.v.

Bản thân tỷ lệ rời bỏ là một chỉ báo không mang tính thông tin. Điều quan trọng là phải hiểu cấu trúc của dòng tiền:

• Những phân khúc khách hàng nào chủ yếu dễ bị thay đổi và tại sao.
• Những yếu tố nào thường gây mất khách hàng nhất?
• Động lực của dòng tiền chảy ra và các xu hướng trong cấu trúc của nó là gì.

Việc đánh giá dòng tiền ra bằng tiền dựa trên việc lập mô hình dòng tiền mà công ty lẽ ra sẽ nhận được nếu khách hàng không ngừng sử dụng dịch vụ của công ty. Công thức đánh giá thiệt hại do dòng chảy ra như sau:

Thiệt hại từ việc rời bỏ = số lượng khách hàng bị mất * hóa đơn trung bình(số tiền thanh toán) * tần suất mua hàng (số lần thanh toán) mỗi khoảng thời gian

Ví dụ tính toán:

Điều kiện: Tỷ lệ rời bỏ -1.000 khách hàng trong 12 tháng qua. Thanh toán mỗi tháng – 100 rúp.

Thiệt hại do dòng chảy ra = 1.000 người * 100 rúp * 12 = 1.200.000 rúp

Phần khó nhất là đánh giá tác động của các sáng kiến ​​cụ thể đối với tỷ lệ rời bỏ. Luôn luôn có nhiều bên ngoài và các yếu tố nội bộ, ảnh hưởng đến chỉ số này. Sự thay đổi tình hình kinh tế trong nước, giảm giá dịch vụ hoặc cải thiện hoạt động của dịch vụ hỗ trợ kỹ thuật - điều gì và ở mức độ nào ảnh hưởng đến tốc độ dòng vốn ra? Để đánh giá chính xác từng yếu tố, các nhóm kiểm soát thường được sử dụng.

Làm thế nào để giảm tỷ lệ rời bỏ khách hàng

Loại bỏ các nguyên nhân gây ra sự gián đoạn

Giảm tỷ lệ rời bỏ là một nhiệm vụ khó khăn. Vậy thì sao công ty lớn hơn, càng có nhiều trở ngại nảy sinh. Cuộc chiến chống lại sự rời bỏ gắn liền với nhu cầu chuyển đổi quy trình kinh doanh. Bước đầu tiên trên con đường này là phân tích khách quan và tốt nhất là của bên thứ ba về nguyên nhân của sự gián đoạn.

TRÊN ở giai đoạn nàyđiều quan trọng là phải chẩn đoán một cách chính xác và trung thực nhất có thể những vấn đề đang tồn tại. Là một phần của giai đoạn này, cần thu thập và phân tích các thông tin sau:

• Hồ sơ khách hàng– nhân khẩu học xã hội, cơ cấu và mô hình tiêu dùng, lòng trung thành, sở thích, liên hệ với công ty.
• Tương tác gần đây của khách hàng với công ty(mua hàng, truyền thông tiếp thị, khiếu nại, đánh giá, v.v.)
• Kết quả khảo sát khách hàng để nhận được nhận xét về lý do từ chối sản phẩm, dịch vụ của công ty.

Khi đã xác định được các nguyên nhân chính gây ra tình trạng rời bỏ, cần xây dựng kế hoạch loại bỏ chúng và hệ thống các chỉ số chính phản ánh tiến độ mở rộng các điểm nghẽn. Các giải pháp đề xuất trong kế hoạch không phải lúc nào cũng mang lại hiệu quả kết quả như ý Vì vậy, việc đo lường và đánh giá kết quả thu được là rất quan trọng.

Quá trình phân tích và loại bỏ các nguyên nhân gây ra tình trạng rời bỏ không phải là hoạt động diễn ra một lần mà là hoạt động thường xuyên. TRONG nhóm làm việcĐể chống lại tình trạng rời bỏ, nên có đại diện từ các bộ phận bán hàng, tiếp thị và dịch vụ khách hàng.

Dự báo tỷ lệ rời bỏ

Một lĩnh vực khác của công việc giữ chân khách hàng là dự đoán tỷ lệ rời bỏ bằng cách sử dụng phương pháp thống kê Và công nghệ học máy. Mục đích của việc dự báo là xác định những khách hàng có nguy cơ gặp rủi ro.

Dựa trên dự báo và kết quả công việc để xác định nguyên nhân gây ra tình trạng rời bỏ, kế hoạch giữ chân khách hàng sẽ được phát triển. Nó phải chứa các chiến lược theo từng phân khúc để làm việc với khách hàng, bao gồm:

• Cách giữ chân khách hàng - thay đổi phương pháp dịch vụ, khuyến khích vật chất, sự tham gia phi vật chất.
• Các kênh và trình kích hoạt liên lạc– làm thế nào, khi nào và trong bối cảnh nào để liên hệ với khách hàng để đạt được mục tiêu.
• Ngân sách kích thích– công ty sẵn sàng chi bao nhiêu để giữ chân một khách hàng ở một phân khúc cụ thể. Đánh giá trường hợp kinh doanh.
• Cách đo lường và đánh giá kết quả– hiệu quả của kế hoạch sẽ được đo lường như thế nào.

Khách hàng trả về

Nếu một khách hàng được chẩn đoán là bị mất tích, công ty có thể cố gắng lấy lại anh ta. Cách giành lại khách hàng khác nhau tùy thuộc vào ngành, loại hình và tầm quan trọng của khách hàng cũng như nhiều yếu tố khác. Đây chỉ là một vài trong số họ:

Khuyến khích vật chất

• Giảm giá, tiền thưởng, giải thưởng
• Điều kiện đặc biệt khi mua hàng và/hoặc dịch vụ
• Miễn phí sử dụng dịch vụ trong một khoảng thời gian
• Truy cập vào các tính năng độc quyền
• Ưu đãi liên kết hấp dẫn

Những cách vô hình

• Xin lỗi vì bất kỳ sự bất tiện nào gây ra (nếu có)
• Địa chỉ cá nhân thay mặt lãnh đạo cao nhất của công ty
• Lời mời tham dự một sự kiện có thể thú vị
• Khôi phục liên hệ bằng cách sử dụng các ấn phẩm hữu ích cho khách hàng
• Tiếp xúc thông qua các thành viên trong gia đình, người thân và người quen

Chia tay khách hàng

Cách tiếp cận nào được thực hiện để định giá dự án?

Viện Phân tích Deloitte áp dụng cách tiếp cận linh hoạt, tùy thuộc vào chuyên môn của chúng tôi trong lĩnh vực khách hàng quan tâm hoặc mức độ sẵn sàng hợp tác của khách hàng với Viện Phân tích Deloitte để khám phá các lĩnh vực ứng dụng phân tích dữ liệu mới. Vì vậy, có hai chiến lược định giá: truyền thống và đổi mới.

Mô hình truyền thống tính đến thời gian mà các chuyên gia của Viện Phân tích Deloitte dành để giải quyết các vấn đề của khách hàng, dựa trên năng lực hiện có của viện. Khách hàng thanh toán đầy đủ thời gian làm việc của chuyên gia và chi phí của tài sản vô hình được cung cấp, phù hợp với nhu cầu của khách hàng.

Mô hình kinh doanh đổi mới dựa trên nguyên tắc cùng phát triển. Điều này có nghĩa là nếu khách hàng muốn sử dụng nguồn lực của Viện Phân tích Deloitte để nghiên cứu một lĩnh vực mà cả Viện Phân tích Deloitte và khách hàng đều không có đủ kinh nghiệm thì Viện Phân tích Deloitte sẵn sàng phân bổ nguồn lực của mình. tài nguyên tốt nhấtđể giải quyết các vấn đề của khách hàng. Trong trường hợp này, để tạo điều kiện thuận lợiĐối với cả hai bên, một khoản chiết khấu đáng kể trên chi phí dự án sẽ được áp dụng. Sau khi hoàn thành các dự án đó, khách hàng có thể mua quyền đối với đối tượng đã tạo sở hữu trí tuệ, toàn bộ hoặc một phần, giữ lại một phần quyền như tài sản của Deloitte Analytics Institute. Trong mỗi trường hợp, cách tiếp cận giá khác nhau. Để biết thêm thông tin, hãy liên hệ với Nhóm Khoa học Dữ liệu của Viện Deloitte Analytics.

Điều gì xảy ra với sở hữu trí tuệ (IP)?

Viện Phân tích Deloitte tập trung nhiều vào quyền sở hữu trí tuệ phát sinh từ các dự án phân tích dữ liệu. Trong mọi trường hợp, khách hàng của chúng tôi có quyền mua toàn bộ hoặc một phần quyền sở hữu trí tuệ được tạo ra, để lại một phần quyền sở hữu của Deloitte Analytics Institute. Trong mọi trường hợp, quyết định sở hữu trí tuệ ảnh hưởng trực tiếp đến giá của dự án. Để biết thêm thông tin, hãy liên hệ với Nhóm Khoa học Dữ liệu của Viện Phân tích Deloitte.

Deloitte Analytics Institute có thể triển khai dự án miễn phí không?

Trong trường hợp khách hàng của chúng tôi có rất ý tưởng tốt và dữ liệu cần thiết, Viện Phân tích Deloitte có thể cung cấp miễn phí các tài nguyên của mình để tìm hiểu xem khái niệm này sẽ hiệu quả như thế nào trong điều kiện thực tế. Quyền sở hữu trí tuệ sau đó được phân phối giữa các bên liên quan. Để biết thêm thông tin, hãy liên hệ với Nhóm Khoa học Dữ liệu của Viện Phân tích Deloitte.