Data&AI Forum 2020
Data&AI Forum 2020

Tematické seriály

Nové!

GDPR

General Data Protection Regulation zásadně mění zpracování osobních údajů a zavádí nové povinnosti...

články >>

Nové!

Jak uřídit IT projekt a nezbláznit se

Užitečné tipy a nástroje pro řešení problémů řízení inovací a vývoje produktů...

články >>

Nové!

Industry 4.0

Průmysl 4.0

Jaký vliv bude mít čtvrtá průmyslová revoluce na výrobu a výrobní firmy?

články >>

Trendy v CRM

Systémy pro řízení vztahů se zákazníky (CRM) prochází v posledních letech výraznou změnou. Zatímco dříve...

články >>

Příručka úspěšného IT manažera

Dnes je řada IT manažerů opomíjena. Úspěšní bývají brouci Pytlíci a Ferdové...

články >>

Pokročilá analýza provozu datových sítí

V tomto čtyřdílném seriálu vás seznámíme s různými metodami a přístupy...

1. až 4. díl >>

Cesta k efektivnímu identity managementu

Správa identit a přístupů (IAM) je klíčová oblast pro zaručení bezpečnosti a efektivity...

1. až 7. díl >>

Časopis IT Systems / Speciál

Aktuální číslo časopisu IT Systems Aktuální číslo časopisu příloha #1
Data mining proti výpovědím
zákazníků aneb Churn prediction

datamind-01Druhý díl minisérie o data miningu věnujeme prevenci výpovědi zákazníků. Postup nazývaný churn prediction vyčleňuje zákazníky s nejvyšší pravděpodobností odchodu ke konkurenci. Prevence výpovědí zákazníků pak patří k jednomu z hlavních účelů data miningu.

Kde modelujeme churn

Churn prediction jako svébytná technika vznikla v oblastech, kde zákazníci mají smlouvu na dobu neurčitou a platí měsíčně určitou částku. Nejprve tedy modely aplikovaly telekomunikace a utility. Postupně následují další obory, jejichž business je založen na smlouvě s koncovými zákazníky, například banky, pojišťovny a ostatní instituce.

Odcházející zákazníci

Odcházející zákazníky by chtěl zachránit každý. Se ztracenými zákazníky vám totiž nevyhnutelně unikají finance. V mnoha případech je pak prevence odchodů zákazníků levnější než akvizice nových zákazníků.
Churn predicion model obvykle vyčlení skupinu zákazníků, kteří budou vypovídat smlouvy několikanásobně častěji než zákazníci ostatní. Typickým výsledem je, že námi vybraná skupina má dvakrát až pětkrát vyšší pravděpodobnost výpovědi než zbytek zákaznické báze. Podstatná je i skupina, která má podprůměrnou pravděpodobnost odchodu, kterou tedy můžeme zcela vynechat ze záchranné komunikace.

datamind-02

Jak se dělá model ohrožených zákazníků

Nejdříve je třeba stanovit, jaké důvody mohou vést k možnému ohrožení zákazníků. Mezi zcela zjevné průvodní znaky postupného odchodu ke konkurenci může patřit například příliš malá aktivita zákazníka. Pokud zákazník netelefonuje nebo nepoužívá účet v bance, pravděpodobně jeho provoz již přitáhl konkurent. Také příliš vysoké poplatky mohou signalizovat budoucí problém. Zákazník, kterému se zásadním způsobem nevyplatí pokračovat ve vztahu se společností, bude dříve nebo později zvažovat alternativy.
K možnému odchodu zákazníků mohou však vést další, daleko subtilnější proměnné. Nevhodná volba tarifní služby, špatná dostupnost služeb nebo zákaznického centra patří ještě k těm odhadnutelným. Často je ale zákazník přesvědčen někým blízkým, kdo již odešel ke konkurenci. I takovýto fakt se dá zjistit z transakční historie. Pokud náš zákazník najednou posílá platby do „cizí" banky, nebo telefonuje pouze k „cizímu" operátorovi, jeho loajalita je možná narušena odchodem partnera ke konkurenci. Příliš horečná aktivita na call centru může zase znamenat nevyřešenou stížnost, která zcela podlomí loajalitu zákazníka.

Jaký model vybrat

Data miner stojí často spolu s managementem před volbou, jaký model předpovědi výpovědí bude nejlepší. Na jedné straně existují sofistikované modely, řekněme neuronových sítí, které jsou obvykle vysoce účinné. Jejich nevýhodou je téměř úplná nečitelnost a také riziko rychlého zastarání, které se týká příliš složitých modelů.
Na druhé straně existují čitelné modely, které jednoduše sčítají rizikové faktory. Takovým modelem je například regrese, která označuje vliv proměnné na riziko interpretovatelným číslem. Nejpřehlednějším modelem je často rozhodovací strom, ve kterém se riziko výpovědi větví dle jasných hranic nezávislých proměnných.

Ačkoli analytici se rádi chlubí modely s nejvyšší přesností, praxe nás naučila, že nejvýkonnější model je málokdy ten nejlepší. Velkým rizikem je přeučení modelu. Příliš složitý model funguje perfektně na jednom časovém výseku, ale když ho přeneseme na jiné časové období, jeho výkonnost rychle klesne. Nezanedbatelnou výhodnou jednodušších, robustnějších modelů je také fakt, že se dají vysvětlit managementu a tím pádem lépe „prodat" uvnitř organizace. Pro jednoduchost hovoří také snadná implementace a odolnosti vůči „zubu času".

datamind-03

Co nám model řekne

V mnohých firmách je churn prediction vnímán pouze jako nástroj k výběru zákazníků. Z našeho pohledu je to jednoznačně škoda. Promarněnou příležitostí je často interpretační síla modelu. Model například odhalí, kde vznikají „hnízda" zákazníků se zcela nevhodnými tarify. Můžeme se dozvědět, kde jsou naše slabá místa proti konkurenci a jaké racionální důvody mají naši zákazníci ke zvažovanému odchodu.
Pokud se podíváme po jednotlivých větvích rozhodovacího stromu, můžeme se například dozvědět, že naše služby jsou výhodné pouze pro zákazníky, kteří mají účty ve středním cenovém pásmu. Zákazníci s příliš nízkými účty a zákazníci s nejvyššími účty se jeví jako ohrožení. V tomto případě by preventivním opatřením bylo změnit tarifní plány pro vybrané skupiny zákazníků.

Prevence churnu – kde nastoupí marketing

Jako v jakékoli jiné marketingové úloze nelze podcenit roli komunikace v prevenci churnu. Správná antichurnová nabídka musí splňovat několik podmínek. Za prvé je jasné, že zákazník na odchodu se málokdy dlouhodobě spokojí se symbolickým zvýhodněním. Pro dlouhodobou loajalitu je nutné, aby marketingová nabídka narovnala vztah mezi zákazníkem a společností do polohy oboustranné výhodnosti. Drobné pozornosti servírované zákazníkům mohou jejich rozhodnutí odejít pouze oddálit.

Zásady prevence

Úspěch prevence výpovědí spočívá často v jednoduchém churn prediction modelu, ze kterého je společnost schopna se poučit a udělat procesní změny. Z hlediska marketingových nabídek musí být nabídka atraktivní pro zákazníka a nesmí být ztrátová pro společnost. Anti-churnové aktivity je nutné vyhodnocovat z hlediska přínosu pro dlouhodobou loajalitu a ziskovost. Mnohdy vítězí jednoduché nabídky nad příliš složitými schématy. Hodnota vložená do zákaznické loajality se však obvykle vrací.

Jan Matoušek
Autor je ředitelem společnosti Data Mind.

Partnerem série článků o data miningu je společnost Data Mind s.r.o., specialista na data mining, více viz www.datamind.cz

Jak se rodí firemní data mining (1.díl)


Poslat na email Tisk Přidat mezi oblíbené TwitterFacebook googleLinkujGoogle BuzzTip redakci