Retenční model

Predikce odchodu zákazníka ke konkurenci

Udržení stávajících zákazníků primárně v loyalty programech je jeden z nejdůležitějších pilířů efektivního podnikání. Nejen v e-commerce platí, že je jednodušší a levnější si udržet stávajícího zákazníka než řadou investic do marketingových aktivit získávat nového. Cílem predikce je zabránit odchodu zákazníků nebo jej co nejvíce omezit a následně jim předložit vhodnou nabídku.

Retenční model CEOS Data pro věrnostní programy
Každý věrnostní program je nutné postupem času vylepšovat aby bylo možné nejen oslovovat stávající zákazníky k dalším nákupům, ale zároveň reaktivovat ty zákazníky, kteří už nenakupují nebo nakupují méně. Všechny tyto vzorce nákupního chování lze predikovat na základě stávajících dat o zákazníkovi a frekvenci nákupů. Vstupem informací jsou agregované ekonomické a socio-demografické údaje vztažené ke klientovi, výstupem pak pravděpodobnost odchodu nebo změny chování jednotlivce. Produkt retenčního modelu umí vylepšit stávající aplikace tak, aby se daly maximalizovat očekávané přínosy pro váš business. Na predikci nákupního modelu pak lze připravovat cílené marketingové kampaně.

Pro konzultaci produktu na míru vašich požadavků nás kontaktujte zde.

Při identifikaci zákazníků e-shopu a jeho chování ve věrnostním programu vyplývají vzorce chování, jako jsou: rušení svého členství, vymazání ze systému, nepokračování v nákupech a setrvávání v členství, změněné nákupní chování a další. V retenčním modelu je tedy nutné identifikovat zákazníka a připravit segmentaci.

 

V retenčním modelu využíváme kombinaci dvou metod, které přinášejí rozdílné benefity.

První metodou je použití Machine Learning (dále ML) vycházející z segmentace klientů, tj jejich zařazení do reprezentativních skupin. Model je dále obohacen o různorodé atributy, které ovlivňují jeho přesnost. Machine Learning model je běžně používaným analytickým postupem pro identifikaci odcházejících zákazníků. 

Druhá metoda je založena na využití tzv. intervalu spolehlivosti (dále IS) a na rozdíl od metody první zkoumá klienta jako suverénní identitu. Tento model je vhodný pro zákazníky s vyšší frekvencí nákupů a umožňuje včasnější detekci změny chování. Identifikuje změnu chování či odchod klienta na základě jeho vlastní nákupní historie. Vstupem jsou data nákupů klienta a jejich obraty. V toku času se mu od posledního nákupu postupně zvyšuje pravděpodobnost dalšího nákupu (plní se mu pomyslný progress bar k dalšímu nákupu), a pokud v mezním čase nenakoupí (překračuje povolenou toleranci), konstatujeme, že u něj došlo ke změně chování.

Díky kombinaci obou metod dokážeme

  • včasně reagovat i na rychlé změny chování (nečekáme pevně dané období 3 měsíců)
  • zároveň využít celou šířku ML modelování pro predikci odchodu v situacích, kde odchod není na první pohled jednoduše detekovatelný běžným pohledem na data


Nečastěji řešené změny chování připadají na: 

  • identifikace odcházejícího zákazníka
  • identifikace zákazníka, který podezřele mění své chování oproti minulosti

Obě změny jsou řešitelné podobnými postupy, ale zásadně se liší v definici odezvy. Definice odezvy je přitom klíčová jak z hlediska business využití, tak i způsobu vyhodnocení přesnosti.

 

Více o predikci odcházejících zákazníků se můžete dozvědět na následujících odkazech po stažení

Pro více informací nebo konzultaci nás konatkujte