Чтобы предсказать отток, вы не должны предсказывать отток
Анастасия Турин (технический руководитель проекта)
Минимизация оттока — один из ключей к успеху для подписного медиа или коммерческого бизнеса. Лояльные клиенты создают предсказуемый и стабильный доход для вашего бизнеса. Если вы не можете предсказать и предотвратить отток, вы потратите целое состояние, пытаясь постоянно привлекать новых пользователей.
Машинное обучение позволяет компаниям разрабатывать более дальновидные стратегии удержания, чем когда-либо прежде. В результате компании, ориентированные на подписку, используют машинное обучение для прогнозирования и предотвращения оттока. В этом посте мы рассмотрим, как лучше всего моделировать отток пользователей. Мы также предлагаем, чтобы просмотр активности пользователя был чем просмотр фактической даты оттока пользователя.
Вовлеченность пользователя и ваш отток
Успешный бизнес стремится иметь как можно больше здоровых пользователей, а не просто как можно больше подписок. Здоровые пользователи с большей вероятностью продлевают подписку и остаются с вашим бизнесом в течение более длительного периода времени, выступают в качестве защитников вашего бизнеса и т. д. продукт на постоянной основе. Часто пользователи, которые менее вовлечены — или, что еще хуже, вообще не вовлечены — подвергаются высокому риску отказа от подписки. На самом деле, анализ Vidora показал, что если пользователь неактивен в течение определенного периода времени, это вопрос чистой случайности, когда он действительно уходит — вероятно, в тот день, когда он осознает, что все еще является платным подписчиком.
Благодаря нашему опыту моделирования десятков проблем с оттоком, мы узнали, что для каждого бизнеса по подписке существует порог неактивности пользователя, после которого вернуть этого пользователя очень сложно, если не невозможно. Мы также обнаружили, что построение моделей для прогнозирования этой точки бездействия дает более точные опережающие индикаторы оттока, чем построение моделей для прогнозирования фактического оттока.
Важно отметить, что использование бездействия в качестве прокси в наших моделях оттока по-прежнему позволяет прогнозировать реальный отток:
Бездействие и его связь с настоящим оттоком
Мы построили модель оттока, используя неактивность в качестве целевого ярлыка (то есть прогнозируемой метрики). Cortex позволяет нашим партнерам создавать модели для прогнозирования различных меток или комбинаций меток. Это включает в себя то, будет ли у пользователя какая-либо активность в течение следующих «X» дней. Эти модели строятся на основе поведенческих данных, передаваемых в Cortex в режиме реального времени непосредственно из вашего бизнеса.
Создайте модель удержания всего за несколько кликов в Cortex. Эта модель предсказывает, кто будет удержан в течение следующих 30 дней.
Сначала мы хотели проверить, что модель прогнозирования бездействия точно предсказала истинный отток. График ниже подтвердил это предположение.
Мы запустили модели удержания и изучили фактические показатели оттока этих пользователей. На приведенном выше графике сравнивается оценка модели удержания активности пользователей с фактическим оттоком этих пользователей. Это показывает, что модель удержания Cortex правильно предсказывает фактический отток.
Почему прогнозирование бездействия лучше, чем фактические отмены?
Мы обнаружили, что неактивность служит лучшим целевым ярлыком, чем фактический отток, потому что время, когда пользователь фактически отменяет свою подписку, является очень зашумленной переменной (например, когда они вспоминают, что у них есть подписка, которую они не используют), в то время как понимание вовлеченности пользователя может быть явным. измерено.
Чтобы продемонстрировать это явление, на приведенном ниже графике рассматривается скорость оттока набора пользователей в зависимости от количества дней бездействия.
График показывает, что скорость оттока остается довольно постоянной после 40 дней бездействия. Другими словами, после того, как пользователь неактивен в течение 40 дней, это просто вопрос случая, когда он действительно откажется от подписки на продукт. Таким образом, обучение модели прогнозированию того, будет ли пользователь неактивным в течение 40 дней, может быть более точным индикатором оттока.
Например, Салли неактивна 41 день. Гарри неактивен уже 60 дней. Поскольку они оба преодолели 40-дневный порог бездействия, Салли и Гарри имеют одинаковую вероятность оттока на следующей неделе. Поскольку вероятность их оттока, зависящая от их бездействия, по существу случайна, мало признаков того, что модель машинного обучения может извлечь уроки и точно предсказать отток.
Прогнозирование оттока — сложная и трудоемкая задача. С Cortex вы можете легко итерировать и создавать различные модели оттока. В Vidora у нас есть опыт работы с десятками компаний, работающих по подписке. В результате мы отточили лучшие методы прогнозирования оттока. Мы встроили эти методы в интуитивно понятную платформу. Эта платформа, Cortex, позволяет любому точно предсказать, кто из ваших пользователей рискует уйти из вашего бизнеса.
Первоначально опубликовано на https://www.vidora.com 16 ноября 2018 г.
