我们如何使用预测建模来为RevLocal保留风险客户
我们的客户, RevLocal, 是为小企业提供个性化数字营销策略的数字营销机构吗. 尽管提供了大量的, 多样化的高端客户套房, 他们的客户流失率高于预期, 造成重大财务影响.
预测客户行为的需要
他们一直在寻找一种方法，在顾客真正离开之前，预测出顾客离开的时间和原因, 允许更多的机会“拯救”和保留这些“风险”客户的目标内容和代理互动.
RevLocal决定一个 预测分析 模型可以帮助他们测量客户在不久的将来离开的概率. 他们可以使用这个模型来识别有风险的客户，并解决影响因素. 但是为了开发这个预测模型，他们需要一个合作伙伴的帮助. 了解澳门金沙官网的深厚经验 机器学习 和预测分析, 他们寻求我们的专业知识来帮助他们留住更多的客户, ,反过来, 增加他们的收入.
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:
- 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.
- 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.
- 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.
