Wie Sie die Abwanderung vorhersagen können: Schlüsselelemente für die Erstellung eines Abwanderungsmodells

Trotz der Ära des GenAI-Hypes ist das klassische maschinelle Lernen immer noch lebendig! Ich persönlich habe ChatGPT früher verwendet (z.B. für die Ideenfindung), habe aber vor kurzem damit aufgehört. Daher glaube ich, dass OpenAI auch ein Abwanderungsmodell benötigt (oder wahrscheinlich bereits verwendet), um vorherzusagen, welche Kunden ihre Dienste nicht mehr nutzen werden. Sie können nicht nur die Abwanderungswahrscheinlichkeit für einen bestimmten Benutzer vorhersagen, sondern auch mit Hilfe von Tools zur Erklärung des Modells Gründe finden, warum die Leute mit ihrem Tool unzufrieden sind, und es dann durch Fehlerbehebung oder Entwicklung neuer Funktionen verbessern.

In diesem Artikel führe ich Sie durch die Schlüsselelemente des Aufbaus eines Abwanderungsmodells aus der Geschäftsperspektive (hauptsächlich, denn es gibt auch ein paar Tipps zu Technik und maschinellem Lernen). Sie werden erfahren, was die größten Herausforderungen sind, wenn Sie definieren, was Abwanderung für Sie bedeutet, wie wichtig Geschäftsleute bei der Erstellung von Funktionen für ein maschinelles Lernmodell sind und wie Sie diese geschäftlichen Überlegungen zu den Gründen für Abwanderung in Zahlen umsetzen können.

Studien zufolge:

Immer noch 44% der Unternehmen berechnen ihre Kundenbindungsrate nicht(CustomerGauge)

Die Gewinnung eines neuen Kunden ist 5 bis 25 Mal teurer als die Bindung eines bestehenden Kunden(Harvard Business Review).

Eine Steigerung der Kundenbindung um 5% kann den Gewinn um bis zu 75% steigern(Bain & Company).

Die Wahrscheinlichkeit, an einen bestehenden Kunden zu verkaufen, liegt bei 60-70%, während die Wahrscheinlichkeit, an einen neuen Geschäftsinteressenten zu verkaufen, bei 5-20% liegt(Forbes, zitiert nach dem Buch Marketing Metrics).

Wiederkehrende Kunden geben 67% mehr aus als Neukunden(BIA Advisory Services)

Immerhin 44% der Unternehmen berechnen ihre Kundenbindungsrate nicht(CustomerGauge).

Definition von Abwanderung

Eine der größten Herausforderungen beim Aufbau eines maschinellen Lernmodells zur Vorhersage der Kundenabwanderung ist die Definition der Kundenabwanderung selbst. Auf den ersten Blick mag das einfach erscheinen, aber manchmal kann es Wochen dauern, bis man sich endlich auf eine Definition geeinigt hat - insbesondere in großen Unternehmen oder Banken. Der Grund dafür ist folgender:

Eine weitere wichtige Dimension der Definition ist die Zeit.

Betrachten Sie die beiden folgenden Varianten:

Wahrscheinlichkeit, dass der Kunde am letzten Tag des Abonnements abwandert

A. berechnet an einem beliebigen Tag des Abonnements

B. berechnet 30 Tage vor dem letzten Tag des Abonnements

Diese beiden Varianten haben einen immensen Einfluss darauf, wie die Variablen aufgebaut werden und wie das Trainingsset aussehen sollte. Version A ist informativer, da wir den Abonnementwert von Tag zu Tag verfolgen und beobachten können, wie er sich aufgrund verschiedener Ereignisse, die der Kunde erzeugt, verändert. Allerdings ist sie komplexer zu implementieren und erfordert mehr Datenpunkte.

Version B generiert Bewertungen für Abonnements, die in Kürze auslaufen, wodurch die Trainingsmenge homogener wird und Bewertungen für Abonnements zu einem Zeitpunkt generiert werden, zu dem der Kundenservice versuchen kann, den Kunden zu einer Verlängerung zu überreden. Es sind auch einige andere Varianten möglich, und es muss immer gemeinsam mit dem Kunden entschieden werden, welche Variante gewählt wird.

Wie Sie sich vorstellen können, kann die obige Liste bei der Definition der Kundenabwanderung in einem Unternehmen eine Menge Herausforderungen mit sich bringen. Deshalb entscheiden sich einige von ihnen für mehrere Definitionen von Abwanderung, verfolgen sie und verwenden sie in separaten Modellen für maschinelles Lernen. Die Verwendung einer einzigen Definition ist jedoch der einfachste Weg, wenn es um die Modellentwicklung, das geschäftliche Verständnis der Ergebnisse und die Pflege der Lösung geht (einschließlich der Durchführung und Auswertung von Marketingkampagnen).

All diese Faktoren zeigen, dass es keine goldene Regel gibt, wenn es darum geht, ein maschinelles Lernmodell für die Abwanderung in einem Unternehmen zu implementieren - jedes Unternehmen ist anders und benötigt eine maßgeschneiderte Lösung, um seine geschäftlichen Anforderungen zu erfüllen.

Ein Brainstorming-Workshop für Features ist der Schlüssel zum Erfolg

Ohne qualitativ hochwertige Merkmale wird auch das robusteste Modell für maschinelles Lernen nicht gut abschneiden. Hier bietet sich ein Workshop zum Brainstorming von Merkmalen an. Um das Beste daraus zu machen, müssen mehrere Geschäftsbereiche daran teilnehmen: Vertrieb, Marketing, Kundenservice, IT und Datenspezialisten. Wenn viel auf dem Spiel steht (die Verringerung der Abwanderung bringt viel Geld), ist es sinnvoll, ein größeres Treffen zu organisieren und ein paar Stunden lang über das Thema zu grübeln. Das Ergebnis eines solchen Treffens sollte sein:

Nebenbei bemerkt ist ein solcher Workshop auch eine großartige Gelegenheit, das Team und Menschen zu treffen, die an den Ergebnissen des Projekts interessiert sind. Das kommt der zukünftigen Zusammenarbeit und schließlich der Qualität der gesamten Lösung zugute.

Übersetzen Sie Verhalten in Statistiken: Feature Engineering

Der nächste Schritt besteht darin, das Ergebnis des Brainstormings mithilfe statistischer Aggregationen in Daten wiederzugeben. Meiner Meinung nach ist dies einer der interessantesten Teile der Arbeit eines Data Scientist - die Realität mit Zahlen zu beschreiben und zu versuchen, ihr so nahe wie möglich zu kommen. Lassen Sie uns versuchen, die Funktionen zu erstellen, die die Ideen aus dem vorigen Absatz abdecken würden:

Manchmal müssen wir sehr kreativ sein, um zu versuchen, die Informationen in Daten wiederzugeben, da wir oft keine solchen historischen Daten zur Verfügung haben. In diesem Fall müssen Sie solche Ideen als Auslöser betrachten, um mit der Sammlung weiterer Datenquellen zu beginnen, die Sie für Ihr Unternehmen als nützlich erachten.

Das Wichtigste beim Erstellen von Variablen:

Im Modell sollten keine Informationen "aus der Zukunft" enthalten sein. Wenn wir zum Beispiel wissen, dass ein Abonnement am 1. April 2023 gekündigt wurde (dies war der letzte Tag des Abonnements) und wir möchten, dass unser Modell das Ereignis einen Monat früher vorhersagt, müssen wir die Informationen verwenden, die am 1. März 2023 verfügbar waren. Nachfolgend finden Sie zwei Beispiele für Variablen, bei denen die erste Variable Informationen aus der Zukunft enthält und die zweite nicht:

❌ Gesamtzahl der im letzten Kalenderjahr gekauften Produkte (d.h. das gesamte Jahr 2023)

✅ Anzahl der Produkte, die der Kunde in den letzten 12 Monaten gekauft hat (berechnet am 1. März 2023)

Wenn sich die Verteilung der Variablen im Laufe der Zeit ändert (durch ihr Design, nicht durch Verhaltensänderungen), kommt es immer zu einer Datendrift und das Modell wird immer schlechter abschneiden. In den folgenden Beispielen wird die erste Variable für Kunden, die sich vor vielen Jahren registriert haben, immer wachsen; die zweite Variable bleibt relativ stabil, wenn unser Angebot gleich bleibt

❌ Gesamtzahl der vom Kunden gekauften Produkte

✅ Anzahl der Produkte, die der Kunde in den letzten 12 Monaten gekauft hat

❌ Durchschnittswert der aktiven product_id=87673

✅ Durchschnittlicher Wert der aktiven Werbeabonnements

Was die Technologie betrifft, so empfehle ich persönlich, solche Variablen in Form von mehreren Marts vorzubereiten (und nicht nur Transformationen als Pipeline zur Generierung von Scores vorzunehmen). Dafür habe ich das dbt-Framework verwendet, bei dem der Code nur aus SQL, einer yaml-Konfiguration und ein wenig Python besteht. Mit dieser Lösung können die Ergebnisse unserer Arbeit - wenn sie ordnungsgemäß dokumentiert sind - von anderen Teammitgliedern für ihre Machine-Learning-Modelle oder einige aufschlussreiche Dashboards für das Management verwendet werden.

Der Rest ist klassisches maschinelles Lernen

Jetzt können Sie Ihre ersten Modelle für maschinelles Lernen ausführen. Ein paar Empfehlungen von meiner Seite:

Vergessen Sie nicht die MLOps, um das Modell schnell in Produktion zu bringen.

Anti-Abwanderungs-Kampagnen durchführen

Das maschinelle Lernmodell selbst wird die Kunden nicht davon abhalten, ihre Abonnements zu kündigen - was Sie brauchen, ist ein Plan, wie Sie es einsetzen, um das Geschäftsergebnis zu maximieren. Und am besten beginnen Sie mit einer solchen Planung gleich zu Beginn eines Projekts zur Modellierung der Kundenabwanderung.

Zu guter Letzt sollten Sie bei der Durchführung einer Marketingkampagne am besten A/B-Tests durchführen. Auf diese Weise werden Sie in der Lage sein:

Bitten Sie nach Möglichkeit auch Ihre Kundenbetreuer, die Bewertungen zu kommentieren - sie kennen die Kunden und haben ein Gefühl dafür, welche Kunden eher abwandern und welche ihr Abonnement definitiv verlängern werden.

Ein solches Feedback sowie eine gründliche Analyse der Kampagnenergebnisse helfen Ihnen, Ihr Modell mit zusätzlichen Funktionen zu verbessern oder Fehler zu beseitigen, die zu falschen Vorhersagen führen.

Warum Echtzeit-ML?

Die Modellierung der Kundenabwanderung ist immer noch ein wertvoller Beitrag, wenn es darum geht, die Abwanderung Ihres Kundenstamms zu verringern. Wenn Sie sie klug einsetzen, können Sie damit Ihre Kundenbindungskampagnen noch ausgefeilter und effektiver gestalten.

Wenn Sie Fragen haben oder ein tieferes Verständnis benötigen, melden Sie sich für ein kostenloses Beratungsgespräch mit unseren Experten an, und vergessen Sie nicht, unseren Newsletter zu abonnieren, um weitere Informationen zu erhalten.