01
Förmåga · Churn-prediktion
Churn-prediktion som svarar på när, inte bara vem
Survival-modeller byggda i er miljö, på er egen data, som sätter ett datum på risken. Ett datum är det enda en insats går att schemalägga mot.
02
Kort svar
Churn-prediktion – att förutse kundbortfall – uppskattar vilka kunder som är på väg att lämna. En survival-modell uppskattar när: den ger en tid till händelse för varje kund, oftast från en gradient-boostad accelerated failure time-modell, så att ett retentionprogram kan agera under de veckor som spelar roll i stället för att beta av en rangordnad lista första måndagen i månaden. Jag bygger dem inne i kundens egen miljö, på kundens egen data, med teamet som ska köra dem sedan.
Vem som är på väg bort, och när
De flesta försök att prediktera churn stannar vid en sannolikhet. En modell läser den senaste tidens beteende, ger varje kund ett tal mellan noll och ett, och programmet kontaktar den översta tiondelen den dag kalendern råkade ha ledig. Rangordningen stämmer oftast. Tajmingen är en slump.
En survival-modell svarar på en annan fråga: inte hur sannolikt det är att någon lämnar, utan hur länge personen sannolikt stannar. Den ger en kurva i stället för en punkt – sannolikheten att kunden finns kvar nästa vecka, nästa månad, nästa kvartal. Det är ett datum, och ett datum går in i en plan.
Varför skillnaden betalar sig
Två kunder kan ha samma riskvärde och ligga fyra månader isär. Den ena glider sakta bort och går att nå billigt om åtta veckor; den andra är fjorton dagar från att säga upp och behöver ett dyrt beslut nu. En rangordnad lista behandlar dem likadant, så halva budgeten kommer för tidigt för att spela roll och resten för sent.
Censurering, och varför klassificerare kämpar här
De flesta av era kunder har inte lämnat än, så deras verkliga livslängd är okänd – det enda ni vet är att den är längre än det ni hunnit observera. Överlevnadsanalys är byggd för just det: en fortfarande aktiv kund räknas som delvis bevis i stället för att kastas bort, eller etiketteras ”lämnade inte”, vilket lär en klassificerare att alla som står på listan i dag är trygga. I praktiken betyder det XGBoost-AFT; en Cox-modell är lättare att förklara och ibland bättre, och valet görs i er data.
- Metod
- Överlevnadsanalys – gradient-boostad accelerated failure time
- Resultat
- En tid till händelse per kund, uppdaterad i er takt
- Var det körs
- Er miljö, er data, era behörighetsrutiner
- Stack
- Databricks · SQL · Python, eller motsvarigheten ni kör
- Mäts mot
- Holdout-grupper överenskomna innan något går live
- Köps som
- En del av ett retentionprogram eller en interimroll
03
Så byggs den
Ordningen betyder mer än kalendern. Varje steg är värdelöst utan det föregående.
01
Kom överens om vad churn är
Det dyra misstaget är att modellera fel händelse. En uppsägning, en prenumeration som runnit ut, en kund som inte handlat på ett antal månader som någon valde – var och en ger en annan modell och ett annat program. Det skrivs ned först.
02
Bygg historiken ärligt
Egenskaper som de såg ut då, inte som de ser ut nu. En tabell som läcker framtiden ger ett vackert valideringsvärde och noll prediktivt värde, och det är det vanligaste sättet arbetet tyst misslyckas på.
03
Slå den enkla regeln, eller säg ifrån
Modellen måste slå den självklara varianten – anciennitet, eller dagar sedan senaste aktivitet – med tillräcklig marginal för att vara värd att underhålla. Oftast gör den det med råge. När den inte gör det är det ett billigt besked att få tidigt.
04
Koppla in den i programmet
En prediktion som landar i en dashboard ändrar ingenting. Värdet ska dit där orkestreringen kan läsa det, i den takt affären behöver, med holdouten definierad innan första utskicket går.
Vet ni redan när era kunder lämnar behöver ni inte det här. Vet ni inte det – skriv.hello@andersson.consulting
04
Vad som krävs av er
Mindre än de flesta team tror, och inget av det är exotiskt.
- Kunddata på individnivå som går att köra frågor mot. Ett datalager är idealiskt; en databas någon kan ge behörighet till duger.
- Datum. När varje relation började, och när den tog slut för dem där den gjorde det. Tidsstämplarna är modellens hela substans.
- Tillräckligt många avslutade kundrelationer att lära av. Ett bolag med väldigt få churn-händelser bär inte det här än, och det säger jag hellre vecka ett.
- Beteende, i vilken form ni än sparar det. Användning, transaktioner, betalningar, supportkontakter. Bredd slår finputsning i det här läget.
- En person som kan ge behörighet. Arbetet sker inne i er miljö, och ingenting behöver lämna den.
Det som inte står på listan: ett data science-team. Inte heller en plan för vad utfallet ska användas till – fristående är en bra modell en slide, och den betalar sig först inne i programmet som läser den.
05
Frågor om churn-modeller
Hur skiljer det sig från de prediktiva värdena i vår meddelandeplattform?
På två sätt. Ett plattformsvärde tränas på det plattformen ser – öppningar, klick, sessioner i dess egen SDK – och där bor sällan signalen om kundbortfall. Dessutom ger det en sannolikhet, inte en tidpunkt. De kostar inget extra, så räcker något av dem redan för ert program är det vad jag säger.
Hur träffsäker är den?
Träffsäkerhet är fel fråga, och en siffra hämtad ur ett annat bolags data är värdelös i er. Det som spelar roll är om modellen slår den enkla regeln med tillräcklig marginal för att vara värd att underhålla, och om det lönar sig att agera på den mätt mot en holdout.
Går det att göra utan att röra kunddata på individnivå?
Nej, och var försiktiga med den som påstår motsatsen: en survival-modell anpassas på enskilda kundhistoriker. Det som går att ordna är att ingenting lämnar er miljö – jag arbetar i era system med minsta nödvändiga behörighet, och allt som byggs stannar där.
06
Relaterade tjänster
S1
Interim CRM-ledning
Retentionansvaret i linjen, inifrån er egen organisation – av personen som också skriver frågorna mot datan.
Löpande, satt efter rollen
S2
Lifecycle- & retentionprogram
Kontaktstrategi, LTV-nivåer, churn-prediktion och orkestrering – designat och byggt med ert team, i er stack.
Ett kvartal och uppåt
S3
AI-genomlysningen
Varje team och arbetsflöde granskat och poängsatt för var AI ger verklig hävstång – och var det är teater.
Tre veckor, fast pris
07
Tillgänglig för nya uppdrag
Hör av dig
Om timingen stämmer – mejla mig direkt. Det finns ingen funnel bakom, och svaret kommer från mig.