AI ในการคาดการณ์การเลิกใช้งานของลูกค้า

Because keeping a customer is far cheaper than winning a new one, accurate early warnings let businesses intervene and protect revenue.

การทำนาย Churn เป็นปัญหาการเรียนรู้ภายใต้การดูแลแบบคลาสสิก โดยโมเดลจะเรียนรู้จากบันทึกในอดีตของลูกค้าที่อยู่ต่อกับผู้ที่ออกไป จากนั้นจึงให้คะแนนลูกค้าปัจจุบันตามความน่าจะเป็นที่จะลาออก โดยทั่วไปอินพุตจะรวมถึงความถี่การใช้งาน ความใหม่ของกิจกรรมล่าสุด ประเภทสัญญา ประวัติตั๋วสนับสนุน การเปลี่ยนแปลงการเรียกเก็บเงิน และสัญญาณการมีส่วนร่วม ธุรกิจสมัครสมาชิก ผู้ให้บริการโทรคมนาคม ธนาคาร และบริษัท SaaS พึ่งพาบริการนี้เป็นอย่างมาก อัลกอริธึมทั่วไป ได้แก่ การถดถอยโลจิสติก ฟอเรสต์สุ่ม และต้นไม้ที่มีการไล่ระดับสี เช่น XGBoost และ LightGBM ซึ่งจัดการข้อมูลตารางที่ยุ่งเหยิงได้ดี เนื่องจากชุดข้อมูลการเลิกใช้งานมักจะไม่สมดุล (ลูกค้าส่วนใหญ่ไม่ละทิ้ง) ทีมจึงใช้เทคนิค เช่น การสุ่มตัวอย่างใหม่และการปรับเกณฑ์ และตัดสินโมเดลด้วยหน่วยวัด เช่น ความแม่นยำ การเรียกคืน ROC-AUC และการยก แทนที่จะเป็นความแม่นยำแบบดิบ