Churn predikcija

Definicija problema

Identifikovanju korisnika sa najvećom verovatnoćom napuštanja kompanije, ili prestanka korišćenja nekih njenih usluga, trebalo bi pristupiti preventivno kreiranjem relevantnih ponuda. Identifikovanje ovih korisnika potrebno je sprovesti u svakom korisničkom segmentu posebno: predikcija churn-a za postpaid korisnike, na primer, zahteva potpuno drugačiji pristup od istog procesa za biznis ili prepaid korisnike. Kako bi se iskoristili svi dostupni izvori podataka, potrebno je integrisati informacije, kao i izgraditi data lake arhitekturu na visokom nivou.

Prednosti

Smanjenje i održavanje stope churn-a pod kontrolom, ima za rezultat stabilniji poslovni prihod. Strategija zadržavanja je optimizovana, dok su strategije targetiranja korisnika usklađene sa najrelevantnijim ponudama.

Rešenje

Razvijen, i u potpunosti primenjen u korisničkom okruženju, algoritam za klasifikaciju predviđa verovatnoću realizacije određenog rizičnog događaja. Svi dostupni izvori podataka uključeni su u računicu, koristeći najnovije alate za integraciju. Različiti korisnički segmenti targetiraju se, u pravom trenutku, prilagođenim kampanjama, na osnovu kombinacije pretpostavke uzroka korisničkog nezadovoljstva sa procenom profitabilnosti.

Rezultati

• Svaki korisnik u posmatranom segmentu dobija svoju ocenu verovatnoće.
• Verovatnoća ponovnog pridruživanja/ponovnog korišćenja usluga predviđa se za svakog prepaid korisnika.
• Definisani su pragovi za proaktivno targetiranje relevantnim kampanjama.
• Integracija sa Content Management sistemima za automatizovano targetiranje i post-analizu.
• Izdvajanje karakteristika koje dovode do velikog rizika odlaska za svakog korisnika ili segment.
• Prilagođena komandna tabla sa svim relevantnim statistikama.