Как да предвидим степента на оттегляне? – Пълното ръководство

Казват, че данните са новото масло. Но знаете ли, че данните могат да ви позволят да наблюдавате какво крие бъдещето за вас?

Измерването на растежа е от съществено значение за проследяване и посрещане на нуждите на бизнеса. Често обаче са необходими някои обезпокоителни показатели, които служат като ранно предупреждение.

Прогнозирането на процента на отпадане е едно от тях. Данните може да не ви дадат причина за почерпка, но предлагат потенциални ползи.

Нека си кажем истината: не всички потребители са лоялни. 

Благодарение на бързо разрастващия се пазар, те са нестабилни и винаги се движат в търсене на уникални функции, по-добри изживявания и подходящи цени.

Следователно, прогнозирането на процента на отпадане на клиенти добавя конкурентно предимство и потенциален източник на приходи, ако се изпълнява правилно. Това е възможност от „решаващ фактор“, при която идентифицирате уязвимите си клиенти и действате, преди да е станало твърде късно.

В тази статия ще научите колко важно е прогнозирането на процента на отлив за всеки бизнес и какво е необходимо, за да се направи успешен анализ. За по-добро разбиране изброих пет инструмента за анализ при поискване за различни размери на бизнеса.

Прогнозиране на степента на оттегляне:

Казано с прости думи, прогнозирането на нивата на отлив означава да надникнете в бъдещето и да усетите възможностите за загуба.
Целият процес е смесица от изкуствен и човешки интелект.
Тук нищо не се движи без данни.

И когато разполагате с данни, инструментите за прогнозиране на напускането преминават през три процеса на анализ:

1 Диагностичен анализ: Опознавате болките на клиентите и причините за тяхното недоволство.
2 Предсказуем анализ: Помага ви да определите сегмент от потребители, които ще напуснат рано или късно.
3 Предписващ анализ: Помага ви с приложими решения или решения за минимизиране на процента на отлив.

С наличните прогнозни числа, мениджърите по маркетинг и продажби могат да вземат премерени решения за намаляване на отпадането на клиенти и изграждане на лоялност към марката.

Цената за спечелване на нов клиент може да варира от 5 до 25 пъти повече от задържането на съществуващ. Докато намаляването на процента на оттегляне с 5% може значително да увеличи печалбите с 25% до 95%. 

Освен това тези числа сами по себе си няма да решат предстоящите ви проблеми. Но те ви показват признаци на недоволство на потребителите, преди напълно да изоставят услугата ви. 

Един от страхотните примери е услуга, базирана на абонамент. Нека поговорим за OTT платформата.

С нарастващия брой OTT платформи, потребителите вече имат повече възможности за преход. Това даде възможност на компаниите да оптимизират услугите си, фокусирайки се върху ключови показатели за ефективност, като процент на отпадане на клиенти, стойност на транзакциите през целия жизнен цикъл, разходи за придобиване на клиенти и др.

Но защо някои компании са на върха на играта, докато останалите безкрайно се борят да задържат абонати?

Тъй като повечето от тях следват стари и строги начини за придобиване само на нови абонати. Като има предвид, че най-добрите играчи се фокусират главно върху стратегии за намаляване на отливите. А по отношение на внедряването и резултата Netflix е ясен победител. 

Според скорошен доклад процентът на оттегляне на Netflix е само 3%. 

Ниско е, защото винаги държат пръсти в пулса на своите абонати. С помощта на инструменти за прогнозен анализ те откриват болезнените си точки, достигат до тях и полагат допълнителни грижи. Техните абонатни модели както за доволни, така и за рискови клиенти вървят заедно. 

Имайте предвид обаче, че прогнозирането на процента на оттегляне не ви предоставя готово решение. 

Всяка компания има различни бизнес стратегии , фактори за прогнозиране и работни процеси. Инструментите не са магически пръчици и работят по различен начин във всеки отделен случай. Маркетолозите трябва да персонализират и приспособят моделите към спецификата на целите на своите клиенти.

Въпреки че има някои основни принципи за всеки. Например, за да извършат ефективен анализ, търговците трябва да изследват вероятността за оттегляне месеци преди подновяването им – да речем, 8 до 10 месеца за годишни абонати.

Това им помага да събират своите данни за анализ на настроенията като поведение, модели на използване, времена на гледане и цялостно преживяване с продукта. 

Начинът, по който Netflix създава потребителски персони, е много по-прецизен от конвенционалните маркетингови методи. С добра комбинация от персонализирани препоръки, системи за обратна връзка и атрактивни оферти, те могат да влязат в главите на потребителите. 

Как да предвидим степента на оттегляне?

Ефективното предвиждане на скоростта на отлив ви позволява да запечатате теча във вашата потребителска кофа. Не само ви помага да проследите пътя на вашия потребител, но и да го сравните със задържаните потребители, за да разберете какво се е объркало. 

Всичко това започва с огромно събиране на данни, които след това се използват в системи за автоматизация и CRM инструменти. Въпреки че работите със стабилен софтуер и наука за данни, това не води до гладко пътуване. 

Освен това няма един начин да се проучи прогнозата за процента на отлив. 

Така че нека да разберем как компаниите използват най-добрите индустриални практики за прогнозиране на отлив:

1. Дефиниране на проблема:

Поставете се от мястото на клиента. Това е първата стъпка, която трябва да предприемете, за да дефинирате проблем. Задавайте правилните въпроси. Това помага на екипа да подготви персонализиран модел за машинно обучение и да открие аномалиите.

Например, някои често срещани въпроси трябва да звучат така:

Ще поднови ли този клиентски сегмент абонамента или ще напусне нашата услуга?

Кои са някои необичайни признаци на потребителско поведение?

Каква е оценката на вероятността (в числа) за оттеглянето?

2. Събиране на данни и проучване

Както споменах в началото, данните са новото масло. За да предвидите степента на отлив, имате нужда от много и много исторически данни. 

Като цяло фирмите разчитат на надеждни източници на данни: Google Analytics, AWStats, Salesforce, Microsoft Dynamics, коментари от социални медии или форуми и проучвания при поискване от компании. 

3. Подготовка на данни за обработка

Събраните данни са в сурова и неструктурирана форма. Тя трябва да бъде персонализирана и документирана според нуждите на бизнеса. Например историческите данни обикновено се записват в CSV файл, преди да се качат в процеса на моделиране. 

Освен това, подготовката на данните трябва да бъде класифицирана като индикатори за здравето на клиентите и червени флагове. Процесът се нарича кохортен анализ, който се фокусира върху усилията за задържане, но също така разкрива неактивността на клиентите.

Индикатор за здравето на клиента:

Проследяване на потребителските данни от точката на покупка до тяхното ниво на ангажираност, време на използване и удовлетворение. Данните помагат да се разбере здравословното състояние на потребителите, особено тези, които има вероятност да останат. 

Индикатор за червени знамена:

Това включва проследяване на рисковете от търкания на клиентите, промяна в бизнеса (сливане, промяна на пазара и т.н.), по-нисък процент на приемане и цялостна ангажираност с услугата.

4. Бърз и мръсен калкулатор на вероятността:

Стивън Х. Ноубъл от Shopify дефинира уравнението.

Какво използва това уравнение?

Например, имате абонатна услуга. Изправени сте пред проблеми с оттеглянето, но също така получавате много нови потребители в добър брой. Изглежда като състезание, но кой ще спечели?

Ще имате по-малко напускане, ако броят на новите потребители надвишава процента на напускане. Това носи ли ви предимство?

Не!

Ето един единствен голям проблем. Къде е задържането?

В деня, в който клиентът реши да не напуска услугата, толкова по-добре виждате шансовете за задържане. Това се нарича още Ден на потребителя.

Примерно изчисление за намиране на вероятността за месечен процент на напускане:

Брой изхвърлени клиенти през април = 500

Мрежов номер нови потребители:

Клиенти в началото на месеца = 700

Клиенти в края на месеца = 800

Придобиване на нови клиенти = 100

В резултат на това вероятността за месечен процент на напускане = 0.6%

5. Метод на Net Promoter Score (NPS):

NPS е изчислителен метод за идентифициране на типовете клиенти, които биха могли да напуснат в даден период от време. Резултатът варира от 0 до 10 и се класифицира в 3 части:

Организатори (9-10): Доволни клиенти

Пасиви (7-8): Неутрални клиенти, които могат да преминат към по-добри опции

Недоброжелатели (0-6): Недоволни клиенти

NPS е просто разликата между % насърчаващи и противници. Например, ако броят на вашите Недоброжелатели е повече от Промоутърите, това показва отлив. Така че, за да намалят процента на оттегляне, компаниите трябва да намалят дела на недоброжелателите и пасивите. 

6. Предсказуемо моделиране:

Тук данните са готови за обучение в софтуера. Те се въвеждат в прогнозни модели, които са настроени и тествани, за да осигурят подходящи резултати. Моделът не е нищо друго освен добре проектиран алгоритъм като дърво на решенията, регресия и т.н. 

Например при модел, базиран на дърво на решенията, вашият анализ започва от коренния възел и завършва на листа. 

Имате множество възли, които се свързват с вашите въпроси, което допълнително се разпространява към клоновете. Тези клонове обозначават броя на възможните решения, които след това завършват на листа, където най-накрая получавате прогнозирани стойности. 

В крайна сметка резултатите ви помагат да предвидите степента на оттегляне и да определите дали клиентите ви са доволни или са изложени на риск от оттегляне.

Ползи от прогнозирането на степента на оттегляне:

1. Познавайте рисковете предварително:

Интелигентното разузнаване на риска и визуалните данни ви дават представа за опасностите, които дебнат в бъдещето. Той помага да се оценят съществуващите планове и процедури с прогнозния доклад и ви дава шанс да го преразгледате.

2. Получете представа за рисковите клиенти: 

Помага ви да разкриете модели, като представя текущите прозрения на клиентите. Чрез сравняване на показателите можете да наблюдавате резултатите и да разберете потребители, които не генерират никаква стойност или показват признаци на неудовлетвореност.

3. Определете целевия пазар:

С предсказуемото сегментиране можете ефективно да насочвате към потенциалните си клиенти. Той използва технология за машинно обучение, за да създаде солидна личност на купувача. Това ви помага да се свържете с подходяща аудитория, която може да улесни преобразуването и да ви спести много време и пари.

4. Намалете финансовите загуби преди време

Подобрява видимостта чрез предсказуем анализ на продажбите, който помага за ограничаване на финансови загуби поради фактори като манипулиране на пазара. Инструментът може също да помогне за възстановяване на оперативни загуби и минимизиране на режийните разходи.

5. Продуктивни изчислени решения

Изчислените решения може не винаги да доведат до правилните решения. Но с помощта на анализ на големи данни и модели на машинно обучение можете да уловите променливите от минали събития заедно с вашите изчисления, за да предвидите продуктивен резултат.

6. Изградете лоялност към марката и репутация

Помага за проследяване на стратегията на марката дали ангажиментът към аудиторията се изпълнява правилно. Бизнесът също така получава предимството да разбира ключови препоръки от своите потребители. Те могат да анализират дали качеството на продуктите се подобрява според обратната връзка и отзивите.

..И инструменти при поискване за прогнозиране на процента на оттегляне:

1. SAP аналитичен облак (препоръчителен инструмент за планиране и сътрудничество)

SAP Analytics Cloud е един от най-широко използваните софтуерни продукти за пазарен анализ. Това е надеждна аналитична платформа, пълна с бизнес разузнаване, прогнозен анализ и планиране.

Облачната система преобразува статичните електронни таблици в информация, ориентирана към действие, която позволява на маркетолозите да откриват прозрения. Софтуерът беше пуснат през февруари 2015 г.

Платформи за внедряване:

• Облак, SaaS, уеб-базирани
• Мобилен – iPhone
• Мобилен – iPad

Основни функции:

1. Облачна система: Захранва се от база данни в паметта, наречена SAP-HANA, която подобрява вземането на решения в реално време.

2. Разширен анализ: Функция за анализ от следващо поколение, управлявана от алгоритми за машинно обучение и NLP-та, която насочва маркетолозите дори без умения за обработка на данни.

3. Бизнес разузнаване: Подобно на човешкия ум, но много по-гъвкав, когнитивните способности на системата филтрират и категоризират данни и предупреждават за грешки.

4. Планиране на предприятието: Създавайте и свързвайте стратегии, операции, финансови транзакции и версии в рамките на един облачен интерфейс за безпроблемен и съвместен работен процес.

5. Усъвършенстван потребителски интерфейс: Богат инструмент за интерактивно планиране, персонализиране и управление на съдържанието, шаблоните, моделите на данни и джаджите.

Плюсове:

• Операции за анализ в облака
• Характеристики на планиране на сценария
• Готини джаджи и шаблони
• Висока сигурност и контрол на достъпа
• Навременни актуализации

Минуси:

• По-малко опции за диаграма при използване на история на анализ
• Функция за автоматично запазване
• Закъснения при извличане на данни от източници на живо
• Все още е в етап на разработка и не всички функции са пълноценни

Pricing:

• 90-дневен пробен период с ограничени функции
• План за бизнес разузнаване (модел с ограничено планиране): ~ $35 на месец
• Пълен план (с всички модели на планиране): Поискайте оферта.

2. КНИМЕ (препоръчителен инструмент за големи предприятия)

Това е най-добрият софтуер за наука за данни за големи предприятия. KNIME предлага два вида софтуер: KNIME Analytics Platform и Commercial KNIME Server.

KNIME Analytics Platform е инструмент с отворен код за извличане на данни и прогнозен анализ. Като има предвид, че KNIME Server е инструмент за корпоративно издание, който включва всичко от Analytics Platform плюс функции за автоматизация, сътрудничество, управление и внедряване. 

И двата инструмента могат да бъдат хоствани на AWS или Microsoft Azure. Софтуерът беше пуснат през юли 2006 г.

Платформи за внедряване:

• Облак, SaaS, уеб-базирани
• Локално – Windows
• Локално – Linux

Основни функции:

1. Мащабируемост: Интелигентно автоматично кеширане на данни за обработка на големи количества данни.

2. Потребителски интерфейс: Интуитивен потребителски интерфейс за ефективен работен процес и проучване на данни.

3. Поддръжка на алгоритми: Поддържа широк спектър от алгоритми за извличане на данни от корпоративен клас (дърво на решения, клъстеризация, невронни мрежи и др.)

4. Визуализация на данни: Разширени математически и статистически функции и опции за персонализиране.

5. Високопроизводителен сървър: Намалява времето за зареждане на данни и спомага за безпроблемното сътрудничество в облака.

Плюсове:

• Създаден да обработва големи количества данни
• Здрав набор от алгоритми, математически и статистически функции
• Поддържа много уеб отчети

Минуси:

• Претъпканият потребителски интерфейс може да изглежда объркващ
• Твърде скъпо за МСП
• Доста сложно за учене от хора
• Използва голяма част от компютърната памет (може да повлияе на ефективността)

Pricing:

• Платформата KNIME Analytics е безплатна
• KNIME Server има 3 нива на ценообразуване (за 5 потребителя и 8 ядра):

Малък: $14,500 XNUMX

Среден: 29,000 XNUMX долара

Голям: $52,000 XNUMX

3. RapidMiner Studio (препоръчителен инструмент за изследователи и стартиращи фирми)

Инструментът RapidMiner предлага дълбочина в операциите за машинно обучение и моделиране на данни. Признат от най-добрите фирми за пазарни проучвания (Gartner, Forrester), няма никакво съмнение защо този инструмент е любимият на специалистите по данни. 

Софтуерът има две версии: RapidMiner Go и RapidMiner Studio.

Въведен както от големи предприятия, така и от стартиращи компании, този инструмент е подходящ за всички нива на опит. RapidMiner е основан през 2007 г.

Платформи за внедряване:

• Облак, SaaS, уеб-базирани
• Настолен компютър – Mac
• Работен плот – Windows
• Локално – Windows
• Локално – Linux

Основни функции:

1. Богат алгоритъм: Библиотека от над 1500 алгоритъма за машинно обучение за поддръжка на операции, свързани с науката за данни.

2. Може да добавя нова функционалност: Използвайки езиците Python и R, изследователите могат да добавят нови функции, като използват повторно съществуващ код.

3. Образование и обучение: Един от най-добрите инструменти за студенти или стажанти, за да разберат приложението на науката за данни

4. Многоиндустриален случай на употреба: Приложим за почти всеки сектор: SaaS бизнес, автомобилна индустрия, електронна търговия и др.

5. Безпроблемен анализ на данни: Силният механизъм за машинно обучение предотвратява забавянията при зареждане и предоставя резултати за кратко време.

Плюсове:

• Богат алгоритъм за обучение на данни
• Огромно доверие, базирано по целия свят
• Възможности за работа с файлове и визуализация
• За всички нива на опит

Минуси:

• Проблем с интеграцията на Python
• Не много чести актуализации на учебни материали
• Отнема твърде много системни ресурси, ако данните са големи

Pricing:

• За физически лица:

         RapidMiner Studio е безплатно

         RapidMiner Go: $10/месец

• За предприятия: Поискайте оферта

4. Alteryx (най-универсалният инструмент за анализ)

Alteryx предлага Analytic Process Automation (APA), усъвършенстван аналитичен софтуер, създаден да отговори на нуждите на почти всяка индустрия. Софтуерът е известен със своята надеждна автоматизация, бързо време за изпълнение и бърза възвръщаемост на инвестициите.

Той може да извършва сантиментален анализ на необработени данни и улеснява екипите да споделят прозрения. За разлика от много други инструменти за анализ, Alteryx може да обработва неструктурирани данни. 

Софтуерът за анализ на Alteryx стартира през 2006 г.

Платформи за внедряване:

• Облак, SaaS, уеб-базирани
• Работен плот – Windows
• Локално – Windows
• Локално – Linux

Основни функции:

1. Модели за многократна употреба: Инженерите на данни могат да използват повторно набори от данни, за да подготвят различни модели.

2. Най-гъвкав случай на употреба: Използва се от почти всеки водещ сектор: технологии, търговия на дребно, финанси, здравеопазване, газ/петрол, държавно управление и др.

3. Лесно сътрудничество: Потребителите могат да имат достъп до модели, създадени от други, за да се избегне преоткриването на колелото или повторението.

4. Отлична общност: Лесно е да се споделят шаблони и идеи, за да се улесни работният процес и да се спести време.

5. Гъвкаво внедряване: Може да се използват съществуващи модели, създадени в R или Python, без да е необходимо значително персонализиране.

Плюсове:

• Ефективно обработва големи обеми данни
• Несравнима гъвкавост и скорост
• Изключително активна и подкрепяща общност
• Отличен потребителски интерфейс и функции за плъзгане и пускане

Минуси:

• Лицензи на премиум цени
• Случайни проблеми с интегрирането на Python
• Проблеми при изпълнение на работния процес, докато листовете на Excel са отворени

Pricing:

• За физически лица: $5,195 на година
• Допълнителен пакет данни от трета страна (за физически лица): 

         Разузнаване на местоположението: $11,700 XNUMX на година

         Интелигентност на потребителите: $33,800 XNUMX на година

• За предприятия (Alteryx сървър): Поискайте оферта

5. H2O.ai  (най-добрият инструмент с отворен код за индивид/предприятие)

Това е платформа за ML с отворен код и разпределена в паметта, която се придържа към мисията за демократизиране на AI. Той предлага мащабируемо решение за професионалисти в областта на данните с помощта на широко използвани ML алгоритми, статистическа визуализация и функции за дълбоко обучение. 

H2O Wave, наскоро добавен продукт, е рамка с отворен код за разработка на Python. Рамката се използва за разработване на AI приложения в реално време според нуждите на бизнеса.

H2O.ai е основана през ноември 2011 г.

Платформа за внедряване:

• Работен плот – Windows

Основни функции:

1. Отворен код: Най-добрият инструмент с отворен код, който позволява ефективно сътрудничество и подкрепа от общността.

2. Газирана вода H2O: Позволява на потребителите да управляват обработката на тежки данни с помощта на интеграцията с Apache Spark.

3. H2O4GPU: Създаден за работа с усъвършенствани ML модели чрез използване на изчислителните възможности на графичния процесор.

4. H2O Driverless AI: Удобен за потребителя графичен потребителски интерфейс, приложим за инженери на данни от всички нива на опит, за обучение, внедряване на модели и активиране на функции на AutoML.

5. Поддръжка на алгоритми: Широко използвани статистически и машинно-обучащи алгоритми за повишаване на производителността на моделирането.

Плюсове:

• Най-съвременен инструмент за анализ с отворен код
• Активна и подкрепяща общност
• Лесен за използване UI дизайн 
• Отлична функционалност на AutoML

Минуси:

• Криптични съобщения за отстраняване на грешки
• Недостъпно на множество платформи
• Няма поддръжка за почистване на данни
• Документация за интеграция на Python

Pricing: 

• 21-дневен безплатен пробен период
• Пълен достъп: Поискайте оферта

Заключение:

Степента на оттегляне е безкрайна караница. Но когато разполагате с правилните инструменти и правилните аналитични стратегии, вие сте в състояние да си върнете дела въпреки шансовете.

Въпреки че има куп усъвършенствана автоматизация и интелигентни функции, прогнозирането на степента на оттегляне никога не е лесна задача. Все още се нуждаете от човешка гледна точка, за да направите съзнателен избор срещу оттока.

Разбира се, здравият разум играе огромна роля за правилните прогнози. Софтуерът, който използвате, не усеща болките на клиента или има способност за преговори. Но вие го правите.

Надявам се, че този обширен доклад ви е помогнал да разберете обхвата на стратегията за прогнозиране на процента на отлив. Минималният процент на оттегляне е; максимумът е ROI и ARR.