ต่อไปคำแนะนำต่อไป
การคาดการณ์มูลค่าตลอดอายุการใช้งานของลูกค้า
การใช้งาน
คู่มือแอปพลิเคชัน
การคาดการณ์ Churn ใช้การเรียนรู้ของเครื่องเพื่อทำเครื่องหมายว่าลูกค้ารายใดมีแนวโน้มที่จะยกเลิกหรือหยุดซื้อก่อนที่จะออกไปจริงๆ
ฟังคำแนะนำนี้บรรยายโดย AI · ~2 min
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
บริการสตรีมมิ่งจะแจ้งสมาชิกที่มีเวลาในการดูลดลง และเสนอเนื้อหาที่ปรับแต่งให้เหมาะสมหรือส่วนลดก่อนการต่ออายุ
ผู้ให้บริการโทรคมนาคมระบุลูกค้าที่มีแนวโน้มจะเปลี่ยนผู้ให้บริการและเสนอแผนหรือเครดิตสำหรับสมาชิกที่ดีกว่าในเชิงรุก
บริษัท SaaS ตรวจพบบัญชีที่มีการเข้าสู่ระบบลดลง และส่งต่อไปยังผู้จัดการที่ประสบความสำเร็จของลูกค้าเพื่อเข้าถึง
ธนาคารตรวจพบลูกค้าที่ลดกิจกรรมในบัญชีและติดต่อขอข้อเสนอการรักษาลูกค้าก่อนที่จะปิดบัญชี
โมเดล Churn กำลังเปลี่ยนจากการให้คะแนนเป็นชุดเป็นระยะไปสู่สัญญาณเรียลไทม์ที่ตอบสนองต่อพฤติกรรมล่าสุดของลูกค้า และไปสู่ 'การสร้างแบบจำลองการยกระดับ' ที่คาดการณ์ไม่เพียงแค่ว่าใครจะเลิกใช้งาน แต่ใครที่การแทรกแซงจะช่วยได้จริง โดยหลีกเลี่ยงส่วนลดที่สูญเปล่า โมเดลภาษาขนาดใหญ่จะขุดสัญญาณที่ไม่มีโครงสร้าง เช่น แชทสนับสนุนและบทวิจารณ์มากขึ้นเรื่อยๆ เพื่อไม่ให้เกิดความไม่พอใจตั้งแต่เนิ่นๆ ขั้นตอนต่อไปคือการปิดวงจร: เรียกใช้ข้อเสนอการรักษาลูกค้าส่วนบุคคลโดยอัตโนมัติและวัดผลกระทบเชิงสาเหตุ
จดหมายข่าวฟรี
เรื่องราว AI ที่ตรวจสอบแล้ว 3 เรื่องทุกวันทำงาน เช้า, เขียนเป็นภาษาอังกฤษธรรมดา ฟรีตลอดไป ไม่มีโฆษณา
อีเมลหนึ่งฉบับทุกวันทำงาน ยกเลิกการสมัครในคลิกเดียว เราไม่เคยขายหรือแชร์ที่อยู่อีเมลของคุณ
ทดสอบตัวเอง
ข้อเสนอแนะทันทีสำหรับทุกคำตอบ และใบรับรองที่สามารถแชร์ได้พร้อม ID ที่ตรวจสอบได้เมื่อคุณผ่านหลักสูตร
สนับสนุนการศึกษา AI ฟรี AI Understanding เป็นองค์กรไม่แสวงหาผลกำไร 501(c)(3) — ไม่มีโฆษณา ไม่มีกำแพงเงิน, ตลอดไป บริจาค
การคาดการณ์ Churn ใช้การเรียนรู้ของเครื่องเพื่อทำเครื่องหมายว่าลูกค้ารายใดมีแนวโน้มที่จะยกเลิกหรือหยุดซื้อก่อนที่จะออกไปจริงๆ เนื่องจากการรักษาลูกค้าไว้นั้นถูกกว่าการได้ลูกค้าใหม่มาก การเตือนล่วงหน้าที่แม่นยำจึงทำให้ธุรกิจต่างๆ เข้ามาแทรกแซงและปกป้องรายได้ได้
การเลิกใช้งานคือการที่ลูกค้าออก ยกเลิก หรือหยุดซื้อ ซึ่งโมเดลการคาดการณ์การเลิกใช้งานพยายามที่จะคาดการณ์
โมเดลเรียนรู้จากลูกค้าในอดีตที่ติดป้ายกำกับว่าอยู่หรือออกไป ทำให้เป็นงานการจัดหมวดหมู่ที่มีการดูแล
เนื่องจากลูกค้าส่วนใหญ่ไม่เลิกใช้งาน แบบจำลองที่คาดการณ์ 'คงอยู่' เสมอจึงได้คะแนนความแม่นยำสูงแต่ก็ไม่มีประโยชน์ ดังนั้นจึงควรใช้ความแม่นยำ การเรียกคืน และ AUC
การรั่วไหลเกิดขึ้นเมื่อตัวทำนายแอบเก็บข้อมูลในอนาคตเกี่ยวกับผลลัพธ์ ซึ่งทำให้แบบจำลองดูดีในการทดสอบ แต่ล้มเหลวในการใช้งานจริง
ต้นไม้ที่มีการไล่ระดับสีจะจัดการกับข้อมูลตารางที่ไม่เป็นเชิงเส้นที่ไม่เป็นระเบียบและยุ่งเหยิงได้ดี และเป็นตัวเลือกที่นิยมใช้สำหรับการทำนายการเลิกใช้งาน
เรียนรู้ต่อไป
คำแนะนำเพิ่มเติมที่เลือกสำหรับหัวข้อนี้
ต่อไปคำแนะนำต่อไป
การคาดการณ์มูลค่าตลอดอายุการใช้งานของลูกค้า
การใช้งาน