预测建模RevLocal

数字营销机构建立预测模型以提高客户保留率

以中心为中心:从概念证明到预测模型

在项目开始的时候, 我们称赞我们与RevLocal密切合作,开发了一个概念证明(POC). 这将提高预测模型的可靠性和准确性, 建立重要的技术基础, 并帮助RevLocal用可衡量的数据进一步支持他们的投资. 在整理POC时,我们遵循了以下几个步骤:

  1. 车间. 第一步是设定目标. 我们与RevLocal的关键员工进行了为期一天的研讨会,以确定预测模型的明确目标. 通过调查会话, 我们还能够识别出RevLocal员工认为能够预测客户离职的哪些因素, 基于他们自己的经验或直觉. 示例因素包括:与客户一起工作的代理,以及他们是否持续地更改, 账户的年龄, 价格的变化.
  1. 数据库存. 下一步是对所有可用的客户数据进行盘点, 并测量其可用性, 质量, 数量的数据,以确定它是否可以输入预测模型.
  2. 预测模型. 在最后一步, 我们开发了一个初始的, 时间盒预测模型,能够识别特定的客户和客户的风险离开.

想知道POC是否真的有效, 我们还进行了一系列的测试,将模型的结果与数据报告和同一时期的客户离职率进行了比较. 这些测试的结果将进一步验证模型的特征, 预测能力的准确性和演示.

用结果拯救客户

经过三个月的测试期, POC模型能够准确识别20%到30%的客户流失. 使用这些结果, 我们整理了一份最可能导致客户离职的因素清单.

更有可能让顾客面临离开的“风险”的因素包括:

  • 如果他们定期找个新的战略家或顾问
  • 如果他们的原始价目表价格在短时间内发生变化
  • 他们的账户存在多久了?他们的合同已经签了几个月了
  • 他们的行业.

该列表提供了能够阻碍客户长寿和保留的行为类型. RevLocal可以使用它来改善可能导致帐户离开的因素, 通过及时和更个性化的互动,让顾问在客户离开之前“拯救”他们, 从而提高客户满意度和收入.

不知道你需要什么? 让我们一起解决这个问题.

与专家交谈