Прогнозирование оттока клиентов

Часто приобретение новых клиентов обходится в 5-7 раз дороже, чем удержание старых.

Большинство компаний обладает базой клиентов, которые пользуются услугами/покупают товары. В какой-то момент некоторые клиенты перестают пользоваться продуктом и уходят. Предполагается, что в тот момент, когда клиент подает первые признаки ухода, его еще можно переубедить и сохранить. Таким образом, основная задача ML-сервиса состоит в том, чтобы правильно и своевременно предсказать, что клиент собирается уйти.

Стоимость услуги рассчитывается индивидуально и начинается от 500 000 рублей. Финальная цена проекта формируется в зависимости от объёма работ: разработка ИТ‑стратегии, подготовка технического задания, формирование ФТТ, оценка эффективности бизнес‑процессов, аудит внедрённых решений и контроль качества реализации.

Возможности модели

• Позволяет проводить таргетированную работу с потенциально уходящими клиентами с целью их удержания

Способы удержания клиентов зависят от отрасли, типа и важности клиента и других факторов (скидки, специальные партнерские предложения, извинения, обращение от топ-менеджера и др.).

• Позволяет отслеживать тенденции по возможному оттоку клиентов

Какие сегменты клиентов подвержены оттоку и почему, какие факторы этому способствуют, анализ динамики оттока

• Помогает выполнить анализ причин оттока

Причины оттока клиентов отличаются в зависимости от отрасли и специфики компании (сезонность, жизненный цикл продукта, более привлекательные предложения конкурентов, персональные причины).

• Помогает меньше терять доходы за счет своевременной реакции на падение объемов закупок

Увеличивает эффективность управления расходами и помогает принять необходимое управленское решение

В качестве источников информации могут выступать фокус-группы, чековая информация, программа лояльности, e-commerce,  история кредитования, web browsing, контакт-центр, соц. медиа, жалобы/возвраты.

Результаты внедрения

• Использование ML-сервиса для прогнозирования вероятности оттока клиентов позволяет компаниям значительно снизить финансовые потери в результате применения эффективных мер по их удержанию.
• Важно понимать, что эффективность решения зависит от качества предоставленных данных и периода использования модели. Благодаря самообучению предиктивные модели учатся находить причины с каждым разом лучше. При достаточном количестве данных достигается 90% точность в определении клиентской лояльности.
• С помощью ML-сервиса компании на постоянной основе могут контролировать поведение клиентов и при необходимости вырабатывать план по удержанию клиентов.

 Стек технологий