Il prossimoProssima guida
Previsione del valore a vita del cliente
Applicazioni
GUIDA alle applicazioni
La previsione del tasso di abbandono utilizza l'apprendimento automatico per segnalare quali clienti potrebbero annullare o interrompere l'acquisto prima di andarsene effettivamente.
Ascolta questa guidaNarrato dall'IA · ~2 min
Because keeping a customer is far cheaper than winning a new one, accurate early warnings let businesses intervene and protect revenue.
La previsione del tasso di abbandono è un classico problema di apprendimento supervisionato: un modello apprende dai dati storici dei clienti che sono rimasti rispetto a quelli che se ne sono andati, quindi assegna un punteggio ai clienti attuali in base alla loro probabilità di andarsene. Gli input in genere includono la frequenza di utilizzo, l'attualità dell'ultima attività, il tipo di contratto, la cronologia dei ticket di supporto, le modifiche alla fatturazione e i segnali di coinvolgimento. Le aziende in abbonamento, gli operatori di telecomunicazioni, le banche e le società SaaS fanno molto affidamento su di esso. Gli algoritmi comuni sono la regressione logistica, le foreste casuali e gli alberi con gradiente potenziato come XGBoost e LightGBM, che gestiscono bene i dati tabulari disordinati. Poiché i set di dati sull'abbandono sono generalmente sbilanciati (la maggior parte dei clienti non se ne va), i team utilizzano tecniche come il ricampionamento e l'ottimizzazione delle soglie e giudicano i modelli con metriche quali precisione, richiamo, ROC-AUC e incremento piuttosto che con la pura accuratezza.
Un servizio di streaming segnala gli abbonati il cui tempo di visualizzazione è diminuito e offre loro contenuti personalizzati o uno sconto prima del rinnovo.
Un operatore di telecomunicazioni identifica i clienti che potrebbero cambiare fornitore e offre in modo proattivo un piano migliore o un credito fedeltà.
Una società SaaS individua gli account con accessi in calo e li indirizza a un responsabile del successo del cliente per la sensibilizzazione.
Una banca rileva che i clienti riducono l'attività del conto e li contatta con offerte di fidelizzazione prima che chiudano il conto.
I modelli di abbandono si stanno spostando da punteggi periodici in batch verso segnali in tempo reale che reagiscono all'ultimo comportamento di un cliente e verso un "modello di incremento" che prevede non solo chi abbandonerà ma anche chi un intervento salverà effettivamente, evitando sconti sprecati. I modelli linguistici di grandi dimensioni estraggono sempre più segnali non strutturati come chat di supporto e recensioni per l'insoddisfazione iniziale. Il passo successivo è chiudere il cerchio: attivare automaticamente offerte di fidelizzazione personalizzate e misurarne l’impatto causale.
Newsletter gratuita
Tre storie verificate sull'IA ogni mattina nei giorni feriali, scritte in un inglese semplice. Gratuito per sempre, senza pubblicità.
Un'email ogni giorno feriale. Disiscriviti con un clic. Non vendiamo né condividiamo mai il tuo indirizzo.
Mettiti alla prova
Feedback immediato su ogni risposta e un certificato condivisibile con un ID verificabile una volta superato un corso.
Sostieni l'istruzione gratuita sull'IA. AI Understanding è un'organizzazione non profit 501(c)(3) — nessun annuncio, nessun paywall, mai. Fai una donazione
La previsione del tasso di abbandono utilizza l'apprendimento automatico per segnalare quali clienti potrebbero annullare o interrompere l'acquisto prima di andarsene effettivamente. Poiché mantenere un cliente è molto più economico che acquisirne uno nuovo, gli avvisi tempestivi e accurati consentono alle aziende di intervenire e proteggere le entrate.
Il tasso di abbandono è il momento in cui i clienti abbandonano, annullano o smettono di acquistare, cosa che i modelli di previsione del tasso di abbandono cercano di anticipare.
I modelli imparano dai clienti passati etichettati come rimasti o lasciati, rendendolo un compito di classificazione supervisionato.
Poiché la maggior parte dei clienti non abbandona, un modello che prevede sempre la "rimanenza" ottiene un punteggio elevato di precisione pur essendo inutile, quindi sono preferibili precisione, richiamo e AUC.
La perdita si verifica quando un predittore contiene segretamente informazioni future sul risultato, rendendo il modello ottimo nei test ma fallito nella produzione.
Gli alberi con gradiente potenziato gestiscono bene dati tabulari disordinati e non lineari e sono la scelta ideale per la previsione del tasso di abbandono.
Continua a imparare
Altre guide selezionate per questo argomento
Il prossimoProssima guida
Previsione del valore a vita del cliente
Applicazioni