Вопрос или проблема
Я пытаюсь создать модель предсказания оттока клиентов, которая будет определять клиентов, которые, вероятно, уйдут. Я определяю ушедшего пользователя как того, кто не совершал транзакций в течение 60 дней. 90% всех транзакций происходят в течение 60 дней друг от друга, так что это кажется разумным.
У меня очень ограниченные поведенческие данные; однако у меня есть запись транзакций пользователя, и у меня есть доступ к Google Analytics (GA). Однако GA не позволяет отслеживать конкретные действия пользователя – все агрегируется по всей базе пользователей.
Я рекомендовал отслеживать и вести запись о навигации пользователей по веб-сайту, нажатиях на кнопки, времени входа и т. д., но это было отклонено, так как было признано ненужным, потому что у нас есть Google Analytics. Я веду себя неразумно? И есть ли какие-нибудь обходные пути? Я не думаю, что смогу создать модель прогнозирования оттока с такими базовыми данными, как адрес пользователя, возраст и транзакции.
Вы не ведете себя неразумно, но трудно сказать, ведут ли они себя разумно или нет. Если они считают, что имеющейся информации достаточно, от которой можно вывести многие другие вещи, и что такое определение оттока, тогда также нормально следовать им. Конечно, лучше иметь данные, которые вы ищете в плане отслеживания поведения пользователей на сайте, но это не все.
Определение оттока:
Это определение может варьироваться, и вам нужно задать себе вопрос, как вы собираетесь его определить.
Считаете ли вы, что кто-то ушел, как только они прекратили совершать покупки через X дней, в вашем случае 60, независимо от того, что они делают на сайте? Считается ли неудачная транзакция или ожидающая транзакция, например добавление в корзину, но еще не заказ, оттоком?
Если вы считаете, что кто-то ушел, только если не было успешной транзакции в течение 60 дней, то вы можете изучить многие другие факторы.
Может быть, вы уже рассматривали эти вещи, но для будущих зрителей я все равно добавлю, как я подходил к подобным проблемам в прошлом.
Учитывая, что у вас есть данные о заказах клиентов, вы теперь можете вывести следующее:
1) Средняя стоимость покупок клиента
2) Количество заказов
3) Какую категорию продуктов они покупали
4) Возраст клиента с момента первого заказа или создания аккаунта, или всего вместе
5) Когда был последний сделанный заказ
Вышеуказанные моменты уже показывают, что вы более-менее попытались получить аспекты давности, частоты и денежной стоимости клиента.
Используя это, вы можете создать дополнительные колонки функций, если это требуется и полезно, чтобы изучить, как эти клиенты, покупающие продукты из определенной категории Z, себя ведут.
1) Каков их средний
2) Как это соотносится с покупательским поведением конкретного клиента
3) Как часто эти группы клиентов покупают продукты
4) Какие другие сопутствующие продукты они покупали
5) Самый короткий и самый длинный период времени для клиента, принадлежащего к определенной категории, чтобы вернуться и сделать заказ в магазине
Так что вот, вы только что извлекли так много информации из самых базовых данных о заказах. Вы, конечно, можете извлекать все больше и больше из этих данных. Однако, достаточно ли этого или нет – вопрос постановки проблемы, объема данных и, конечно, мнения.
Ответ или решение
Поведенческие данные, необходимые для прогнозирования оттока клиентов
Прогнозирование оттока (чурна) клиентов является критически важным аспектом для бизнесов, стремящихся сохранять свою клиентскую базу и улучшать финансовые показатели. Определение понятия «чурн» в данном контексте предполагает, что клиент, переставший совершать покупки в течение 60 дней, считается ушедшим. Учитывая, что 90% всех транзакций происходят в пределах этого временного интервала, ваше определение разумно.
Тем не менее, функционирование модели прогнозирования оттока требует наличия обширных поведенческих данных. Ваша ситуация осложняется тем, что у вас есть лишь ограниченные данные о трансакциях пользователей и доступ к Google Analytics, который предоставляет агрегированную информацию без возможности отслеживания конкретных действий отдельных пользователей. Рассмотрим, какие поведенческие данные могут быть ключевыми для построения модели предсказания оттока.
Ключевые поведенческие данные
-
История транзакций:
- Частота покупок: Как часто клиент совершает покупки? Можно использовать информацию о количестве заказов за определенный период.
- Средняя стоимость заказа: Определение средней стоимости транзакций клиента поможет выявить его покупательскую способность и предпочтения.
- Последняя покупка: Важным фактором является дата последней транзакции. Необходимо учитывать, как долго клиент удерживается без активных покупок.
-
Поведение на сайте:
- Навигация и время на сайте: Если есть возможность, собранные данные о том, как долго клиент находится на каждой странице, какие страницы посещает и с какими товарами взаимодействует, могут дать полезные инсайты.
- Клики на кнопки и действия: Эти данные помогут понять, какие элементы сайта вызывают интерес у клиента, а какие игнорируются.
- Канал похода на сайт: Использование источника трафика (органический поиск, соцсети, реклама и т.д.) может помочь сегментировать клиентов по степени вовлеченности.
-
Анализ поведения группы клиентов:
- Сравнение с ассортиментом: Изучение поведения клиентов по категориям товаров позволяет выявить тренды покупок и возможные сегменты риска.
- Поведение при добавлении в корзину: Информация о клиентах, которые добавляют товары в корзину, но не завершают покупку, может стать сигналом о возможном оттоке.
-
Демографические и социальные данные:
- Информация о возрасте, адресе и других характеристиках клиента также может помочь в сегментации, хотя, как вы отметили, для аналитики этого недостаточно.
Возможные решения и обходные пути
Несмотря на ограничения доступа к собранным данным, можно рассмотреть альтернативные подходы:
- Интеграция с CRM-системами: Если у вас есть доступ к CRM-системам, можно использовать их для сбора более детализированных данных о клиентах.
- А/Б тестирование: Проведение разных маркетинговых тестов поможет выяснить, какие действия лучше всего конвертируют пользователей в лояльных клиентов.
- Опросы и обратная связь: Непосредственные опросы клиентов могут выявить причины, по которым они могут прекратить покупки (например, качество продукта, уровень обслуживания и т.д.).
В заключение, вы не являетесь неразумным в своем беспокойстве о недостатке данных для прогнозирования оттока клиентов. Действительно, чем больше данных доступно, тем точнее будут предсказания. Но даже с минимальным объемом данных можно извлечь ценные инсайты и создать обоснованную стратегию по уменьшению оттока клиентов.