Abychom mohli churn analýzu udělat, potřebujeme mít data (klienty) co nejlépe rozlišená do tzv. zákaznických profilů. Modelujeme pro každý profil zvlášť. Základním hlediskem pro vytváření nějakých homogenních skupin (profilů) jsou demografická a geografická data, která jsou obvykle doplněna hodnotovou segmentací.
Rozdělení klienta podle regionu, města, vzdělání, ale i pohlaví, pokud jde o určitou službu, pro niž má toto dělení význam, je jistě žádoucí. Je pravděpodobné, že odběratelé (jednotlivci) z bohatších regionů či krajských měst budou spíše reagovat na doplňkové akce či zboží poslané formou newsletteru. Naopak lidé z chudších regionů raději zareagují na akční nabídky apod.
Asi je každému jasné, že dva z hlediska těchto demograficko-geografických hledisek stejní lidé mohou mít úplně odlišné nákupní zvyklosti. Pro přesnou zákaznickou segmentaci a následnou churn analýzu potřebujeme tedy využívat zejména tzv. behaviorální proměnné, které získáme během životního cyklu zákazníka, samozřejmě v kombinaci se všemi ostatními.
Tento tradiční přístup je pořád nosným prvkem všech takovýchto analýz. Jinak řečeno, pokud zákazník přestane využívat svou kreditní kartu, začne-li přesouvat své prostředky na jiný účet apod., jde pořád o základní indikátor toho, že se něco děje, resp. pravděpodobně začne dít. Ale nedá se něco zjistit ještě více dopředu?
Dosud bylo na zákazníka pohlíženo spíše jako na samostatnou izolovanou entitu, která patří do nějakého segmentu (Heavy users, SMS users etc.), na kterém děláme pravidelný scoring a zjišťujeme pravděpodobnost odchodu, reakci na marketing apod.
Změna životního stylu jednotlivce se odvíjí od toho, jaké máme přátele, partnera, manžela apod. To všechno se ale v čase vyvíjí a specialitou dnešní doby je, že informace lze najít ve veřejném prostoru.
Trendem dneška je nedívat se pouze na naše zákazníky, ale také na jejich přátele a přátele jejich přátel, neboť jsou to právě oni, kdo mají zásadní vliv na změnu zákaznického chování.
V současnosti zkoumáme na sociálních sítích hlavně vzory. Sociální sítě vizualizujeme prostřednictvím řady uzlů a vazeb, jež ukazují, kteří lidé nebo společnosti jsou navzájem propojeni. Na základě prozkoumání vazeb mezi klienty, jež už společnost opustili, a současnými, lze najít zajímavé pravděpodobnostní modely.
Pomocí moderních aplikací tedy můžeme v dnešní době ze sociálních sítí získat další důležité vzory, které bychom z původních dat nikdy nezískali. Nejsou to jen sociální sítě, ale také chytré telefony, tablety atd., co chrlí obrovské množství informací, jež souhrnně označujeme jako big data.
Dnešní doba ukazuje, že jsou to právě tyto údaje, které nás informují, že klient je z hlediska odchodu rizikový, aniž se ještě ve standardně sledovaných proměnných cokoliv ukazuje a mnohdy dokonce aniž to již ví on sám.
Autor je odborným konzultantem a analytikem, Dell
PŘEDPLATNÉ
ČLÁNKY DO MAILU