پیش‌بینی ریزش مشتریان

پیش‌بینی ریزش یا رویگردانی مشتریان احتمالاً یکی از مهم‌ترین کاربردهای علم داده در بخش خدمات است و علت محبوبیت آن نیز پاسخ‌های قابل درک و تأثیر مستقیم نتایج حاصل از آن در سود کلی کسب و کار است. ریزش مشتری یک نگرانی استراتژیک مهم برای هر کسب و کاری است، زیرا مستقیماً بر درآمد و رشد تجارت تأثیر می‌گذارد.

بر اساس گزارش مدرسه بازرگانی‌ هاروارد، ریزش مشتری تأثیر شگفت‌انگیز قابل‌توجهی بر نتیجه کسب‌ وکار دارد، در واقع افزایش حفظ مشتری تنها به میزان  5 درصد می‌تواند سود را بین 25 تا 95 درصد افزایش دهد.

به گفته فوربس، این افزایش چشمگیر به این دلیل است که هزینه به دست آوردن یک مشتری جدید به مراتب بیشتر از حفظ یک مشتری موجود است، تقریبا 5 برابر بیشتر!!! .

ریزش به صورت ساده و در اصطلاح به این صورت تعریف می‌شود که “مشتری اشتراک سرویسی را که استفاده می‌کرده لغو می‌کند” یا بهتر است بگوییم «یک شرکت را ترک می‌کند».

بنابراین از دیدگاه یک شرکت، کسب این اطلاعات ضروری است، زیرا به دست آوردن مشتریان جدید اغلب دشوار و پرهزینه‌تر از حفظ مشتریان قدیمی‌است. از این رو، بینش به‌دست‌آمده از پیش‌بینی ریزش مشتریان به شرکت‌ها کمک می‌کند تا بیشتر روی مشتریانی تمرکز کنند که در معرض خطر بالای رویگردانی هستند.

چه زمانی ریزش رخ می‌دهد؟

عوامل زیادی بر دلایل ریزش مشتری تأثیر می‌گذارد، ممکن است دلیل آن ورود رقیب جدیدی در بازار باشد که قیمت‌های بهتری ارائه می‌دهد یا شاید خدماتی که مشتریان دریافت می‌کنند در حد مطلوب نبوده است. از این رو، هیچ پاسخ درستی در مورد اینکه چرا مشتری سرگردان شده وجود ندارد زیرا همان‌طور که می‌بینید عوامل تأثیرگذار زیادی وجود دارد. در این بین وظیفه یک دانشمند داده این است که چنین الگوهایی را در داده‌ها بیابد و ببیند چه حقایقی در طول تجزیه و تحلیل داده‌ها به دست می‌آید.

به همین دلیل است که اکثر شرکت‌های بزرگی که دارای تیم علم داده هستند، اعضای خود را کاملاً به پیش‌بینی ریزش اختصاص داده‌اند و آن‌هایی که چنین بخش‌هایی ندارند، تمایل دارند از فریلنسرها کمک بگیرند یا کار را برون‌سپاری کنند.

چگونه ریزش مشتری را پیش‌بینی کنیم؟

روش‌های آماری سنتی تجزیه و تحلیل پرهزینه هستند و اغلب به تیمی ‌از تحلیلگران و سرمایه‌گذاری سنگین در زمان و پول نیاز دارند و علاوه بر این، پیچیدگی و کمیت فاکتورها منجر به کاهش بیش از اندازه‌ی دقت می‌شود.

در سوی دیگر، یادگیری ماشینی (ML[1]) زیرمجموعه‌ای از هوش مصنوعی است که از الگوریتم‌هایی برای ساخت مدل‌های پیش‌بینی مبتنی بر داده استفاده می‌کند و آن را برای تجزیه و تحلیل داده‌های پیچیده مشتری و معاملات ایده‌آل می‌کند.

در حوزه ارائه خدمات بانکی نیز می‌توان به صورت گسترده و در زمانی کوتاه اطلاعات مشتریان را بررسی و نسبت به سنجش و مقایسه رفتار آن‌ها در طول دوره ارتباط پرداخت. عموماً برای ساخت چنین مدلی در حوزه خدمات بانکی می‌توان از اطلاعاتی نظیر سن، جنسیت، منطقه جغرافیایی، میزان گردش حساب، تعداد دفعات استفاده‌ی مشتری از خدمات بانک، آخرین ارتباط مشتری و سایر اطلاعات مفیدی که احتمالاً در دیتابیس بانک ذخیره می‌گردد استفاده نمود. برای تقسیم‌بندی و پیش‌بینی اطلاعات مشتریان نیاز است که اطلاعات مشتریان مطابق شکل زیر به دو مجموعه آموزش و تست تقسیم‌بندی گردد و در اختیار مدل‌های مختلف یادگیری ماشین قرار گرفته تا بهترین مدل و با بالاترین دقت استخراج شود.

هر چند به صورت گسترده و به علت محرمانه بودن اطلاعات مشتریان نتایج پژوهش‌های انجام شده در این زمینه منتشر نمی‌گردد اما به نظر می‌رسد همان طور که روش‌های مبتنی بر هوش مصنوعی و یادگیری ماشین مزایای خود را در بخش‌های مختلف نشان داده‌اند در این حوزه نیز موفق باشند و بانک‌ها با استفاده از اطلاعات استخراج شده نسبت به بهینه نمودن ارتباط خود با مشتریان، حفظ مشتریان و افزایش بهره‌وری عملکرد بهتری داشته باشند.

در مقاله‌ی دیگری با عنوان رفتارشناسی مالی، از کاربرد اقتصاد رفتاری در شناخت رفتارهای تکرارشونده و الگوهای رفتاری مشتریان بانک صحبت کرده‌ایم. برای آشنایی بیشتر با روش‌های مورد استفاده در این حوزه به این مقاله مراجعه کنید.

[1] Machine Learning