Cutomer Churn Analytics Lojalnościowe

Cutomer Churn Analytics Lojalnościowe



Klient Churn lub analiza Ścieranie klienta jest jednym z ważnych działań biznesowych dla banków, firm telekomunikacyjnych, sprzedaje firmom, instytucji świadczących usługi finansowe i firmy ubezpieczeniowe w jednym z najważniejszych powodów, że koszt pozyskania nowego klienta jest o wiele większa niż koszt utrzymania dotychczasowego klienta.

Problem gospodarczy

Nasz Klient, wiodąca firma telekomunikacyjna, chciał wykorzystać analitykę aresztować zwiększenie rezygnacji w ich prepaid portfela telekomunikacyjnego. Customer Relationship zespół Management (CRM) chciał, aby móc korzystać ze swoich dostępnych zasobów i zmniejszenie optymalnie customer churn przy minimalnych kosztach. Wyzwania były - do identyfikacji abonentów, którzy byli najprawdopodobniej zrezygnować z usługi, jak również abonentów oznaczyć jako "jednorazowe" lub "abonent abonentów, które osiągnęły punkt bez powrotu", tak, że obsługa klienta może być skupiona na tych abonentów, którzy były najprawdopodobniej do kontynuowania usługi.

Cel

Celem Churn i Model Analysis Loyalty zidentyfikowano w następujący sposób:

★ Wczesna identyfikacja abonentów, którzy są bardziej skłonni do rezygnacji
Identyfikacja ★ istotnych czynników jazdy churn
Optymalizacja kosztów operacyjnych ★

Nasze podejście

Głównym wyzwaniem było określenie "churn" i zrozumieć kluczowe czynniki Klienta rezygnacji. Źródła danych, które zostały zidentyfikowane w użyciu dla Churn i Analiz lojalnościowy były - Demografia abonenta, Abonent Spend, Call Center Records, Records zlecenie usługi, Vintage klientów, aktywność / Non-aktywność klientów, abonentów historii użytkowania i produktu / packages Charakterystyka typu. Staramy się zidentyfikowanie optymalnych dni po upływie, w którym można reaktywować churn (Win-back Opportunity) i optymalnych dni po upływie, w których istnieje minimalna szansa na reaktywację (Point of no return).



Definiowanie Churn Framework

Zaobserwowaliśmy, że około 94% klientów, którzy nie korzystają z usług przedpłaconych z ostatnich 7 dni przystępują do zakończenia usługi. Na podstawie tej obserwacji, 7 dni zostało zdefiniowane jako możliwość wygrania-back i abonentów z ponad 7 nieaktywnych dni zostały oznaczone jako poszedł do strefy bez powrotu. Cel został określony do identyfikacji abonentów, którzy są najbardziej prawdopodobne, aby nie używać ich opłaconej usługi w ciągu 7 najbliższych dni. Ważne atrybuty / kluczowych czynników churn zachowanie zostały wybrane przy użyciu różnych technik statystycznych, takich jak klastry, analizy głównych składowych, itp. Na podstawie korelacji dychotomiczny charakter zmiennej zależnej, Logistic technika regresji został wybrany jako najbardziej odpowiednią techniką modelu.

Wyniki / Wdrażanie

Predictive Model opracowany został w ten sposób wykorzystywane do ich Churn kampania Retention bardziej naukowego podejścia i systemu napędzanego. Po model został zaimplementowany w systemie CRM, karta wyników jest używany do strzeli Aktywny Portfel co dwa tygodnie (1 i 15 dnia miesiąca). Wyniki są wykorzystywane do identyfikacji segmentów o najwyższej skłonności do rezygnacji w ciągu najbliższych 15 dni (od 15 do 30 i do 15 1-te odpowiednio). Churn zarządzania i przechowywania zespoły mają 15 dni, aby uruchomić okno segmentu konkretnych churn kampanii prewencyjnych i zmniejszyć dobrowolny churn.

Aby dowiedzieć się więcej o nas i jak możemy Ci pomóc, skontaktuj się z nami teraz!