پیش‌بینی ریزش مشتری با استفاده از یادگیری ماشین: مدل ها و رویکردهای اصلی

حفظ مشتری یکی از ارکان اولیه رشد کسب و کارهای مشتری محور است. رقابت در بازار سخت است، جایی­که مشتریان در انتخاب بین بسیاری از ارائه دهندگان حتی در یک دسته محصول آزاد هستند. چندین تجربه بد – یا حتی یکی – و یک مشتری ممکن است منجر به ترک شود. و اگر انبوهی از مشتریان ناراضی وجود داشته باشد، ضررهای مادی و آسیب زیادی به شهرت یک کسب و کار وارد خواهد شد.

در این مقاله، برخی از روش های مدیریتِ ریزش مشتری با استفاده از مدل های یادگیری ماشین ارائه شده است و برخی رویکردها و روش­های حل این مشکل مطرح شده است. همچنین درباره جمع‌آوری داده‌ها در مورد ارتباط مشتری با یک برند، ویژگی‌های رفتار مشتری که بیشترین ارتباط را با ریزش دارد بحث خواهیم کرد و منطقِ پشت انتخاب بهترین مدل‌های یادگیری ماشین بررسی شده است.

ریزش مشتری تمایل مشتریان به کنار گذاشتن یک نام تجاری و متوقف شدن ارتباط مشتری با یک سازمان خاص است. درصدی از مشتریانی که استفاده از محصولات یا خدمات یک شرکت را در یک دوره زمانی خاص متوقف می­کنند، نرخ ریزش مشتری نامیده می­شود. یکی از راه­های محاسبه نرخ ریزش این است که تعداد مشتریان از دست رفته را در یک بازه زمانی معین بر تعداد مشتریان به دست آمده تقسیم کرده و سپس آن عدد را در ۱۰۰ درصد ضرب کنید. به عنوان مثال، اگر در ماه گذشته ۱۵۰ مشتری دریافت کردید و سه مشتری را از دست دادید، نرخ ریزش ماهانه شما ۲ درصد است.

نرخ ریزش، یک شاخص سلامت برای مشاغلی است که مشتریان آن­ها مشترک هستند و به طور مکرر برای دریافت خدمات هزینه پرداخت می­کنند، مشتریانِ کسب و کارهایی که دارای اشتراک هستند محصول یا خدماتی را برای یک دوره خاص انتخاب می­کنند، که می­تواند نسبتا کوتاه باشد – مثلا یک ماه. بنابراین، مشتری برای پیشنهادات جالب یا سودمندتر قابل جذب می­باشد. به علاوه، هر بار که تعهد فعلی آن­ها به پایان می­رسد، مشتریان این فرصت را دارند که تجدید نظر کنند و تصمیم بگیرند که با شرکت ادامه ندهند. البته برخی از ریزش­های طبیعی اجتناب ناپذیر است و این رقم در صنایع مختلف متفاوت است. اما داشتن رقم ریزش بالاتر از این، نشانه قطعی انجام کارِ اشتباه توسط آن کسب و کار است.

باید به این نکته توجه کرد که به طور کلی، این تجربه مشتری است که ادراک مشتری از برند را تعریف میکند. واقعیت این است که حتی مشتریان وفادار هم اگر یک یا چند مشکل با یک کسب و کار داشته باشند، آن را تحمل نمی­کنند. به عنوان مثال، ۵۹ درصد از پاسخ دهندگان آمریکایی به نظرسنجی انجام شده توسط PricewaterhouseCoopers (PwC) خاطرنشان کردند که پس از چندین تجربه بد با یک برند خداحافظی خواهند کرد و ۱۷ درصد از آن­ها تنها پس از یک تجربه بد این کار را خواهند کرد. بنابراین تجربیات بد ممکن است حتی مشتریان وفادار را نیز از یک برند دور کند.

چه زمانی مشتریان تعامل با برندی را که دوست دارند متوقف می کنند؟

شرکت­هایی که به طور مداوم بر نحوه تعامل مردم با محصولات نظارت می­کنند، مشتریان را تشویق می­کنند تا نظرات خود را به اشتراک بگذارند، و مسائل خود را به سرعت حل کنند و فرصت­های بیشتری برای حفظ روابط سودمند با مشتری دارند.

و اکنون شرکتی را تصور کنید که برای مدتی داده‌های مشتریان را جمع‌آوری می‌کند، بنابراین می‌تواند از آن برای شناسایی الگوهای رفتاری افراد بالقوه استفاده کند، با این کار می­تواند مشتریان در معرض خطر را تقسیم‌بندی کند و اقدامات مناسبی را برای جلب اعتماد آن­ها انجام دهد. کسانی که از یک رویکرد پیشگیرانه برای مدیریت ریزش مشتری پیروی می­کنند از تجزیه و تحلیل پیش بینی کننده استفاده میکنند. این یکی انواع تحلیل است که مستلزم پیش‌بینی احتمال نتایج، رویدادها یا مقادیر آینده با تجزیه و تحلیل داده‌های فعلی و تاریخی است. تجزیه و تحلیل پیش بینی کننده از تکنیک­های آماری مختلفی مانند داده کاوی (تشخیص الگو) و یادگیری ماشین (ML) استفاده می­کند.

ویژگی اصلی یادگیری ماشین ساختن سیستم­هایی است که قادر به یافتن الگوها در داده ها و یادگیری از آن بدون برنامه نویسی صریح هستند. در زمینه پیش‌بینی ریزش مشتری، اینها ویژگی‌های رفتار آنلاین هستند که نشان‌دهنده کاهش رضایت مشتری از استفاده از خدمات/محصولات شرکت است.

اما چگونه می­توان پیش بینی نرخ ریزش مشتری را شروع کرد؟ چه داده هایی مورد نیاز است؟ و مراحل اجرا چیست؟

مانند هر کار یادگیری ماشین، متخصصان علم داده ابتدا به جمع آوری داده­های مرتبط با موضوع نیاز دارند. بسته به هدف، محققان تعریف می­کنند که چه داده­هایی را باید جمع آوری کنند. سپس، داده‌های انتخاب شده آماده، پیش پردازش شده و به شکلی مناسب برای ساخت مدل‌های یادگیری ماشین تبدیل می‌شوند. یافتن روش‌های مناسب برای آموزش ماشین‌ها، تنظیم دقیق مدل‌ها و انتخاب بهترین مدل بخش مهمی از کار است. هنگامی که مدلی انتخاب می­شود که با بالاترین دقت پیش بینی می­کند، می­توان آن را به تولید رساند.

محدوده کلی کاری که دانشمندان داده برای ساختن سیستم‌های مجهز به یادگیری ماشین که قادر به پیش‌بینی ریزش مشتری هستند انجام می‌دهند، ممکن است به شرح زیر باشد:

• درک یک مشکل و هدف نهایی
• جمع آوری داده ­ها
• آماده سازی و پیش پردازش داده­ها
• مدل سازی و تست
• استقرار و نظارت مدل

شناسایی منابع داده: هنگامی­که انواع بینش­هایی را که باید جستجو کنید، شناسایی کردید، می­توانید تصمیم بگیرید که چه منابع داده­ای برای مدل سازی پیش بینی بیشتر ضروری است. بیایید رایج ترین منابع داده­ای را که می­توانید برای پیش بینی ریزش استفاده کنید، فرض کنیم:

• سیستم­های CRM (شامل سوابق فروش و پشتیبانی مشتری)
• خدمات تجزیه و تحلیل (به عنوان مثال، Google Analytics)
• بازخورد در رسانه های اجتماعی
• بازخورد ارائه شده در صورت درخواست برای سازمان شما و غیره.

بدیهی است که لیست بسته به صنعت ممکن است طولانی تر یا کوتاه تر باشد.

داده­های تاریخی که برای حل مسئله انتخاب شده­اند باید به قالبی مناسب برای یادگیری ماشین تبدیل شوند. از آنجایی که عملکرد مدل و بنابراین کیفیت بینش­های دریافتی به کیفیت داده­ها بستگی دارد، هدف اصلی این است که مطمئن شویم همه نقاط داده با استفاده از منطق یکسان ارائه می­شوند و مجموعه داده کلی عاری از تناقض است. قبلاً مقاله‌ای در مورد تکنیک‌های اولیه برای آماده‌سازی مجموعه داده‌ها نوشتیم، بنابراین اگر می‌خواهید درباره این موضوع بیشتر بدانید، آن را بررسی کنید.

ساخت، استخراج و انتخاب ویژگی. ساخت، استخراج و انتخاب ویژگی ویژگی بخش بسیار مهمی از آماده سازی مجموعه داده است. در طول فرآیند، دانشمندان داده مجموعه‌ای از ویژگی‌ها (ویژگی‌های ورودی) را ایجاد می‌کنند که نشان‌دهنده الگوهای رفتاری مختلف مربوط به سطح تعامل مشتری با یک خدمات یا محصول است.

باید توجه داشت که اگرچه ویژگی‌های رفتاری مختص هر صنعت است، اما رویکردها برای شناسایی مشتریان در معرض خطر کلی و عمومی است: «یک کسب‌وکار به دنبال الگوهای رفتاری خاصی است که ریزش­های بالقوه را نشان می‌دهد.»

می توان ویژگی­های مشتریان را به چهار گروه طبقه بندی کرد.

• ویژگی­های جمعیت شناختی مشتری که حاوی اطلاعات اولیه در مورد یک مشتری است (به عنوان مثال، سن، سطح تحصیلات، مکان، درآمد)
• ویژگی‌های رفتاری مشتری که نحوه استفاده شخص از یک سرویس یا محصول را توصیف می‌کند (به عنوان مثال، مرحله چرخه عمر، تعداد دفعاتی که وارد حساب‌های خود می‌شود، طول جلسه فعال، زمانی از روز که از محصول به طور فعال استفاده می‌شود، ویژگی‌ها یا ماژول‌های استفاده شده، اقدامات ، ارزش پولی)
• ویژگی­های پشتیبانی که تعامل مشتری با پشتیبانی را مشخص می­کند (به عنوان مثال، درخواست­های ارسال شده، تعداد تعاملات، سابقه امتیازات رضایت مشتری)
• ویژگی­های زمینه­ ای که نشان دهنده سایر اطلاعات متنی در مورد مشتری است.

اما باید توجه داشت که داشتن داده­های زیاد همیشه خوب نیست.

هدف استخراج ویژگی، کاهش تعداد متغیرها (ویژگی­ها) با برگزیدن آن­هایی است که متمایزترین اطلاعات را نشان می­دهند. استخراج ویژگی به کاهش ابعاد داده­ها کمک می­کند (ابعاد ستون­هایی با ویژگی­های یک مجموعه داده هستند) و اطلاعات نامربوط را حذف می­کند.

در طول انتخاب ویژگی، متخصصان ویژگی‌های استخراج‌شده قبلی را بازبینی می‌کنند و زیرگروهی از آن­ها را تعریف می‌کنند که بیشترین ارتباط را با ریزش مشتری دارد. در نتیجه انتخاب ویژگی، متخصصان یک مجموعه داده تنها با ویژگی های مرتبط دارند.

بخش بندی مشتری. شرکت‌های در حال رشد و آن­هایی که دامنه محصولات خود را گسترش می‌دهند، معمولاً مشتریان خود را با استفاده از ویژگی‌های تعریف‌شده و انتخاب شده قبلی بخش بندی می‌کنند. مشتریان را می ­توان براساس مرحله چرخه عمر، نیازها، راه حل­های مورد استفاده، سطح تعامل، ارزش پولی یا اطلاعات اولیه به زیر گروه هایی تقسیم کرد. از آنجایی که هر دسته مشتری الگوهای رفتاری مشترکی دارند، می‌ توان دقت پیش‌بینی را از طریق استفاده از مدل‌های یادگیری ماشین که به‌طور خاص بر روی مجموعه‌های داده‌ای که هر بخش را نشان می‌دهند، آموزش داده‌اند، افزایش داد.

به­ عنوان مثال، HubSpot از معیارهای تقسیم بندی مانند شخصیت مشتری، مرحله چرخه عمر، محصولات خریداری شده، منطقه، زبان و کل درآمد حساب استفاده می­کند.

کارکنان با داشتن دانش در مورد ارزش مشتری، می­توانند می توانند فعالیت های نگهداری خود را در اولویت قرار دهند. پس از مراحل آماده‌سازی داده، انتخاب ویژگی و تقسیم‌بندی مشتری، زمان برای ردیابی رفتار کاربر قبل از ترسیم پیش‌بینی فرا می‌رسد.

هدف اصلی این مرحله از یک پروژه یادگیری ماشین، توسعه یک مدل پیش‌بینی برای ریزش مشتریان است. متخصصان معمولاً مدل‌های متعددی را آموزش می‌دهند، تنظیم می‌کنند، ارزیابی می‌کنند و آنها را آزمایش می‌کنند تا مدلی را که ریزش کننده­های بالقوه را با دقت مطلوب در داده‌های آموزشی تشخیص می‌دهد، تعریف کنند.

مدل‌های یادگیری ماشین کلاسیک معمولاً برای پیش‌بینی ریزش مشتری استفاده می‌شوند، به‌عنوان مثال، رگرسیون لجستیک، درخت‌های تصمیم، جنگل تصادفی و غیره. به عنوان نمونه شما می توانید از جنگل تصادفی به عنوان مدل پایه استفاده کنید، سپس «عملکرد مدل‌های پیچیده تر مانند XGBoost، LightGBM یا CatBoost» را ارزیابی کنید. دانشمندان داده معمولاً از عملکرد یک مدل پایه به عنوان معیاری برای مقایسه دقت پیش‌بینی الگوریتم‌های پیچیده‌تر استفاده می‌کنند.

رگرسیون لجستیک الگوریتمی است که برای مسائل طبقه بندی باینری استفاده می­شود. احتمال وقوع یک رویداد را با اندازه گیری رابطه بین یک متغیر وابسته و یک یا چند متغیر مستقل (ویژگی) پیش بینی می­کند. به طور خاص، رگرسیون لجستیک احتمال یک نمونه (نقطه داده) متعلق به دسته پیش فرض را پیش بینی می­کند.

درخت تصمیم نوعی الگوریتم یادگیری نظارت شده است (با یک متغیر هدف از پیش تعریف شده.) در حالی که بیشتر در کارهای طبقه بندی استفاده می­شود، می­تواند داده­های عددی را نیز مدیریت کند. این الگوریتم یک نمونه داده را به دو یا چند مجموعه همگن براساس مهم­ترین متمایزکننده در متغیرهای ورودی برای پیش بینی تقسیم می­کند. با هر تقسیم، بخشی از یک درخت در حال تولید است. در نتیجه، یک درخت با گره های تصمیم و گره های برگ (که تصمیم گیری یا طبقه بندی هستند) ایجاد می­شود. یک درخت از یک گره ریشه شروع می­شود.

ساختار پایه یک درخت تصمیم

نتایج پیش بینی درختان تصمیم را می­توان به راحتی تفسیر و تجسم کرد. حتی افراد بدون پیشینه تحلیلی یا علم داده می­توانند بفهمند که یک خروجی مشخص چگونه ظاهر می­شود. در مقایسه با سایر الگوریتم‌ها، درخت‌های تصمیم به آماده‌سازی داده‌های کمتری نیاز دارند که این نیز یک مزیت است. با این حال، اگر تغییرات کوچکی در داده­ها ایجاد شود، ممکن است ناپایدار باشند. به عبارت دیگر، تغییرات در داده­ها ممکن است منجر به تولید درختان کاملاً متفاوت شود. برای پرداختن به این موضوع، دانشمندان داده از درخت‌های تصمیم در یک گروه (انجمن AKA) استفاده می‌کنند که در ادامه در مورد آن صحبت خواهیم کرد.

جنگل تصادفی نوعی روش یادگیری گروهی است که از درخت های تصمیم گیری متعددی برای دستیابی به دقت پیش بینی بالاتر و پایداری مدل استفاده می­کند. این روش با هر دو عمل رگرسیون و طبقه بندی سروکار دارد. هر درخت یک نمونه داده (یا به کلاس خود رای می­دهد) را براساس ویژگی­ها طبقه بندی می-کند و جنگل طبقه بندی را انتخاب می­کند که بیشترین رای را دریافت کرده باشد. در مورد وظایف رگرسیون، میانگین تصمیم گیری درختان مختلف گرفته می­شود.