Большинство предприятий испытывают отток клиентов: особенно предприятия, основанные на подписке, в которых наиболее важным фактором является заставить клиентов оставаться подписчиками. Первоначальная цель — привлечь новых клиентов и заставить их подписаться на определенный период времени. Однако потеря этого клиента приводит к прекращению подписки, и остальная часть текущей ценности этого клиента теряется.

Что такое коэффициент оттока?

Уровень оттока — это скорость, с которой клиенты прекращают сотрудничество с компанией. Чтобы быть успешной, скорость роста компании (количество новых клиентов) должна превышать скорость оттока.

Как рассчитывается коэффициент оттока?

Чтобы рассчитать отток, возьмите количество клиентов, подписавшихся на ваш сервис, и разделите его на количество клиентов, которые отменили подписку. Например, если вы приобрели 60 новых клиентов в июне, а у вас уже было 40 клиентов, у вас было 100 клиентов. Если 10 клиентов отменили подписку в конце месяца, уровень оттока за июнь составил 10%.

Привлечение новых клиентов обходится очень дорого по сравнению с их удержанием.

Это зависит от отрасли, но обычно привлечение нового клиента обходится в пять или более раз по сравнению со стимулами, которые вы предоставляете для удержания существующих клиентов.[1]

Если вы не уверены в том, что удержание клиентов так ценно, рассмотрите «исследование, проведенное Фредериком Рейххельдом из Bain & Company[2] (изобретателем чистой оценки промоутера[3]) это показывает, что увеличение коэффициента удержания клиентов на 5% увеличивает прибыль от 25% до 95%». — Эми Галло, Harvard Business Review

Сокращение оттока клиентов за счет повышения показателей удержания клиентов может принести значительную прибыль вашему бизнесу.

Как снизить отток клиентов с помощью машинного обучения?

Компании прилагали усилия для снижения оттока клиентов еще до появления машинного обучения. Традиционно применялся универсальный маркетинговый подход, при котором стимулы остаться в компании предоставлялись большой группе людей.

Однако с помощью моделей машинного обучения вы можете по-настоящему взглянуть на каждого клиента как на личность и понять вероятность его оттока. Чем больше вы знаете о клиенте, тем больше нюансов вы можете использовать в своем подходе. Теперь вы можете ранжировать клиентов по заказам индивидуально и ориентироваться на различные возможности оттока с большей уверенностью в успехе.

Как ElectrifAi помогает уменьшить отток клиентов?

В ElectrifAi мы преуспеваем не только в понимании того, кто может уйти, но и почему люди уходят. Мы можем определить различные факторы, заставляющие этих клиентов уходить. Речь идет не только об использовании моделей машинного обучения для оценки результатов. Вы должны сделать еще один шаг вперед и попытаться точно определить боли или факторы риска клиента.

Если предприятия, для которых отток является проблемой, продолжают просто стимулировать людей оставаться, эти предприятия никогда не решают фундаментальную проблему, вызывающую отток. Со временем деньги просто тратятся. Возврата не происходит, потому что клиенты постоянно уходят.

ElectrifAi устраняет движущие факторы оттока клиентов.

Наши клиенты очень эффективно используют наши модели машинного обучения. Из нашей обширной библиотеки готовых моделей мы можем использовать несколько моделей вместе, чтобы создать индивидуальный план для ваших конкретных потребностей. Снижение оттока может быть первым шагом.

Наша модель снижения оттока — это нелинейная модель со многими факторами взаимодействия. Часто бывает трудно расшифровать движущие факторы оттока. Мы используем различные методы для выявления на каждом уровне клиента: каковы движущие факторы, ведущие к высокой вероятности оттока?

Давайте разберем несколько примеров.

Пример 1

Модель снижения оттока предсказывает высокую вероятность оттока для конкретного клиента, но также дает вам возможность удержать клиента. Если клиент обновил телефон три года назад и не обновил его, конкурент может потенциально разослать рекламу обновления телефона, и вы потеряете этого клиента.

Скажем, тот же клиент добавляет нового человека в свою учетную запись. Это событие на всю жизнь с высокой вероятностью оттока, потому что теперь подписчик будет ходить по магазинам, чтобы посмотреть, есть ли более выгодные предложения. Чтобы опередить конкурента, важно сначала принять меры.

Вы можете побудить клиента остаться, предложив семейный план или получить дополнительный телефон бесплатно с новой линейкой. Но эти стимулы полезны для компании только в том случае, если они работают на решение проблемы снижения оттока. Компания рассылает поощрения только в том случае, если они знают, что клиент, скорее всего, будет делать покупки, таким образом, не рассылая ненужные поощрения довольным клиентам.

Пример 2

Еще один подход к снижению оттока — учитывать другие факторы, такие как настроения клиентов.

Применяя нашу модель машинного обучения Opinion Mining к журналам колл-центра, мы смотрим не только на настроения клиентов, но и можем действительно понять: какие аспекты бизнеса беспокоят и о чем говорят абоненты? Модель выводит это понимание на более высокий уровень, чтобы мы могли понять основные болевые точки.

В этом примере клиенты могут звонить в колл-центр, чтобы пожаловаться на пропущенные вызовы. Просто взглянув на одного или двух клиентов, вы не сможете понять, что это масштабная проблема. Но когда вы применяете наш анализ мнений к тысячам клиентов, вы объединяете эти проблемы, чтобы найти те, которые больше всего нуждаются в немедленном внимании.

В конкретном районе может наблюдаться повышенное количество сброшенных вызовов. Теперь вы можете подключить эту проблему к сетевым данным и убедиться, что вы знаете, что в определенной части сети есть проблема. Вы можете связать это с вероятностью оттока и знать, что эти подписчики, скорее всего, уйдут.

Предоставление стимулов может попытаться смягчить проблему. Но вам также следует подумать о том, как модернизировать сети в этом районе или улучшить качество обслуживания клиентов, чтобы этот фактор не стал проблемой для будущего оттока.

Кроме того, в этом районе могут быть другие клиенты, вероятность оттока которых ниже. Теперь, поскольку вы обращаетесь к этим факторам качества обслуживания клиентов, вероятность оттока этих клиентов останется низкой и не должна вызывать проблем в будущем.

Заключение

Модели машинного обучения ElectrifAi дают вам преимущество перед конкурентами.

Ключевым моментом здесь является то, что наши модели машинного обучения позволяют выявлять действительно рискованных клиентов, которые могут уйти. Мы не только идентифицируем этих клиентов; мы можем сделать один или два шага дальше и понять движущие силы этого оттока. Понимание того, как это связано с другим клиентским опытом, и попытка решить эти болевые точки — первый шаг к уменьшению оттока сегодня, чтобы он никогда не возникал в будущем.

Хотите узнать больше о том, как уменьшить отток? Свяжитесь с ЭлектрифАй сегодня, и мы создадим план, соответствующий вашим конкретным бизнес-потребностям.

[1] Harvard Business Review, https://hbr.org/2014/10/the-value-of-keeping-the-right-customers

[2] Фредерик Райхельд из Bain & Company, https://media.bain.com/Images/BB_Prescription_cutting_costs.pdf

[3] Чистая оценка промоутера, https://www.netpromoter.com/know/