概述
由於留住客戶比贏得新客戶的成本要低得多,因此準確的早期預警可以讓企業介入並保護收入。
深入探討
流失預測是一個經典的監督學習問題:模型從留下的客戶和離開的客戶的歷史記錄中學習,然後根據當前客戶離開的機率對他們進行評分。輸入通常包括使用頻率、上次活動的新近度、合約類型、支援票證歷史記錄、帳單變更和參與訊號。訂閱業務、電信業者、銀行和 SaaS 公司嚴重依賴它。常見的演算法有邏輯迴歸、隨機森林和梯度增強樹(例如 XGBoost 和 LightGBM),它們可以很好地處理雜亂的表格資料。由於流失資料集通常是不平衡的(大多數客戶不會離開),因此團隊使用重採樣和閾值調整等技術,並使用精確度、召回率、ROC-AUC 和提升等指標來判斷模型,而不是原始準確性。
現實世界的實施
串流媒體服務會標記觀看時間減少的訂閱者,並在續訂前為他們提供客製化內容或折扣。
電信業者識別可能更換供應商的客戶,並主動提供更好的計畫或忠誠度積分。
一家 SaaS 公司發現登入次數下降的帳戶,並將其發送給客戶成功經理進行外展。
銀行發現客戶減少了帳戶活動,並在客戶關閉帳戶之前向他們提供保留優惠。
人工智慧在客戶流失預測的未來
流失模型正在從定期批量評分轉向對客戶最新行為做出反應的即時訊號,以及“提升模型”,不僅預測誰會流失,還預測幹預措施實際上會拯救誰,從而避免浪費折扣。大型語言模型越來越多地挖掘非結構化訊號,例如支援聊天和早期不滿意的評論。下一步是閉環:自動觸發個人化保留優惠並衡量其因果影響。
付諸實踐
為什麼這很重要
- 配裝選擇. 應用級設計決定了人工智慧是否能改善實際結果。
- 團隊與工作流程. 良好的工作流程整合可以創造使用者值得信賴的生產力效益。
- 風險與安全. 範圍明確的用例可以減少變更疲勞和實施風險。
留意
- 將損壞的流程自動化可能會加劇現有問題。
- 團隊可能會過度自動化並消除所需的人工判斷。
- 如果不持續評估輸出,品質可能會出現偏差。
後續步驟
- 繪製目前工作流程並確定摩擦最大的步驟。
- 在完全自動化之前定義人工檢查點。
- 對使用者進行提示、升級路徑和品質標準的訓練。
- 追蹤任務級結果以確認持續價值。
不斷探索
常見問題
什麼是客戶流失預測中的人工智慧?
流失預測使用機器學習來標記哪些客戶可能在實際離開之前取消或停止購買。由於留住客戶比贏得新客戶的成本要低得多,因此準確的早期預警可以讓企業介入並保護收入。
「客戶流失」指的是什麼?
流失是指顧客離開、取消或停止購買,這是流失預測模型試圖預測的情況。
流失預測通常被定義為什麼類型的機器學習問題?
模型從標記為留下或離開的過去客戶中學習,使其成為監督分類任務。
為什麼簡單準確度對於流失模型來說是一個糟糕的指標?
因為大多數客戶不會流失,所以總是預測「留下來」的模型雖然準確率很高,但毫無用處,因此精確度、召回率和 AUC 是首選。
在這種情況下什麼是「資料外洩」?
當預測器秘密包含有關結果的未來資訊時,就會發生洩漏,使模型在測試中看起來很棒,但在生產中卻失敗了。
哪種演算法系列對於表格流失資料特別受歡迎?
梯度提升樹可以很好地處理混亂的非線性表格數據,是流失預測的首選。