تحلیل ریزش و واکنش مشتریان

 ریزش مشتریان یا (رویگردانی) مشتریان

یکی از پروژه های داده کاوی و هوش مصنوعی در سازمان ها و شرکتهای خدمات مشتری، ریزش مشتریان(Churn Analysis) یا رویگردانی مشتریان می باشد. Churn Analysis، اصطلاحی تجاری اســت كه برای از دست رفتن مشــتریان استفاده می‌شود. سازمان‌ها و شرکت‌هایی مانند:

  • بانک‌ها
  • شرکت‌های مخابراتی
  • ارائه‌دهندگان خدمات اینترنتــی (ISP)
  • شرکت‌های تلویزیون كابلی
  • شرکت‌های بیمه و…

 اغلب از ریزش مشــتریان و نرخ از دست دادن آنان به‌عنوان یكی از معیارهای كلیدی سنجش در کسب‌وکار استفاده می‌کنند. دلیل این امر این است كه هزینه نگهداری یك مشتری موجود بسیار كمتر از هزینه جذب یك مشتری تازه است. بنابراین این نوع بنگاه‌های اقتصادی، اغلب واحدها و بخش‌هایی به نام خدمات مشــتریان دارند.آنان سعی می‌کنند مشــتریان رویگردان را دوباره بازگردانند زیرا مشــتریان قدیمی معمولاً ارزش بیشــتری از مشتریان جدید خلق می‌کنند.

از منظری دیگر، عمده‌ترین دلیل کاهش درآمد یک بنگاه تجاری، از دست دادن مشتریان قدیمی است. در واقع هزینه بالا جذب مشتری جدید این الزام را برای آن‌ها ایجاد می‌کند تا بتواند در بهترین موقعیت، برای حفظ مشتریان خود تصمیمات ویژه اتخاذ نماید. یکی از این تصمیمات، جلوگیری از ریزش مشتریان بر اساس تحلیل رفتارهای آن‌ها است.

در فضای کسب‌وکار، از دست دادن مشتری به معنی تعویض سرویس‌دهنده توسط مشتری، یا گرایش یک مشتری برای قطع ارتباط با یک سازمان، در یک دوره زمانی مشخص، اطلاق می‌شود.

برای جلوگیری از Churn Analysis، توجه به مواردی از قبیلِ:

  • تحلیل رفتار مشتریان جدا شده از سازمان
  • کشف قوانین حاکم بر رفتار مشتریانِ در حال ریزش
  • دسته‌بندی مشتریان بر اساس احتمال فرسایش
  • ارائه پیشنهادهای جذاب به مشتریان در حال ریزش
  • شناسایی و یا پیش‌بینی گرایش‌های خرید هر مشتری
  • تخمین اعتبار هر مشتری
  • نهایت افزایش ارزش قابل ارائه به مشتریان جهت جلوگیری از ریزش آن‌ها

همگی در اولویت‌ها و دستور کاری قرار می‌گیرد.

“در واقع زمانی که بنگاه تجاری، بتواند با یک احتمال مشخص وضعیت خروج یک مشتری را، قبل از خروج تعیین کند، می‌تواند با تمهیدات جدید نسبت به نگهداشت آن اقدام کند.”

فرآیند پیش بینی رویگردانی مشتریان

برای پیش بینی ریزش مشتریان، باید یک پروفایل خاص هر مشتری برای ذخیره سازی میزان وفاداری و اطلاعات RFM هر مشتری ایجاد شود. برای این کار در بازه های زمانی مشخص، اطلاعات مجموع خرید، تعداد دفعات خرید، میانگین زمانی فاصله خریدها، و … پردازش و ذخیره سازی می شوند. نتیجه پردازش اطلاعات تاریخچه ای هر مشتری، امکان محاسبه امتیاز های CLV و همچنین میزان احتمال ریزش مشتری را نمایان می سازد. با دسته بندی و خوش بندی مشتریان با توجه به وضعیت پروفایل ایجاد شده، اقدامات داده محور خاص آن خوشه، اتخاذ خواهد شد. برای پیش بینی ریزش مشتریان می توان از تحلیل با یادگیری عمیق LSTM و جهت تحلیل چرایی و توصیفی ریزش مشتریان از AutoEncoder ها استفاده نمود.  

© کپی رایت - هوشمندی کسب و کار، انبار داده، دریاچه داده، پلتفرم داده، تحلیل کلان داده، رهیافت های داده محور، علم داده، هوش مصنوعی | Power by kte.ir