Упс! Не вдала спроба:(
Будь ласка, спробуйте ще раз.

Чи може Machine Learning допомогти у боротьбі з відтоком користувачів?

Cергій Гузенко
Cергій Гузенко Owner, CEO at WEZOM
27 грудня 2022 9 хвилин читання

Що спільного між застосунком для вивчення мов, стримінговим сервісом, онлайн-іграми та мобільними банкінгом? Усі ці бізнеси засновані на передплатній моделі, тож вирішують одні й ті самі завдання: залучити нових користувачів та утримати наявних. Зазвичай маркетологи застосунків фокусуються на першому напрямі, і в кращому разі вдаються до якихось базових заходів на другому.

Протидіяти відтоку користувачів складно, адже він неминучий, важко піддається аналізу та прогнозуванню. В окремо взятого користувача може бути мільйон причин відмовитися від  передплати на ваш сервіс. Втім, важко не означає неможливо. Нові можливості у цьому напрямі дають data science та алгоритми машинного навчання

Проблема відтоку клієнтів як вона є

Чи має відтік якусь метрику? Звісно, вона називається churn rate (коефіцієнт відтоку). Якщо описувати її зовсім просто, то це частка клієнтів, які припиняють користування вашим сервісом протягом певного часу. Критерії відтоку різняться від одного бізнесу до іншого: припинення передплати, видалення або фактична «смерть» акаунту, відсутність нових замовлень протягом певного часу тощо. 

Вирахувати churn rate не важко: візьміть кількість клієнтів, яких ви втратили протягом, наприклад, 30 діб, та поділіть на загальну кількість клієнтів, яких ви мали на початку місяця. Отримане число помножте на 100 — це і буде потрібна вам величина у відсотках за місяць. 

Наприклад, якщо у вас було 3000 клієнтів, і за чотири тижні ви втратили 100, то ваш churn rate за місяць становитиме 3,3%. Чи хороший це показник? Усе залежить від специфіки бізнесу, швидкості та якості залучення нових клієнтів. У загальній практиці churn rate на рівні 3-5% вважається допустимим показником для невеликих онлайн-магазинів. Для продуктів великих компаній та брендів цільовим вважається показник в 1%, для освітніх платформ, хмарних сервісів та стримінгових платформ за норму беруть 5-7%, а для нових стартапів нормою може бути навіть 10-15%. 

Ясна річ, що менший churn rate, то краще. Він має перекриватися припливом нових користувачів: це критично важливо для SaaS-сервісів, сервісних мобільних застосунків, онлайн-ігор тощо. Інакше навіть невеликий відтік клієнтів може поставити бізнес під удар вже у середньостроковій перспективі.

Що робити з відтоком клієнтів

Повністю зупинити відтік користувачів застосунку чи сервісу неможливо. Тож маркетинг часто звертається до найочевиднішої стратегії — відтік наявних користувачів треба перекрити напливом нових. Та цей підхід має два недоліки: 

  • 1
    Втрата клієнтів у деяких галузях б'є по бізнесу особливо болюче. Не факт, що нові користувачі, які завантажили ваш застосунок з реклами, залишаться з вами надовго і матимуть високий потенціал LTV (Life time value). Практика показує, що до 70% користувачів, які спробували завантажити новий для себе застосунок або сервіс, забувають про нього у перші ж дні. 
  • 2
    Залучати нових користувачів ресурсовитратно. За даними Microsoft, збереження наявних клієнтів коштує у п'ять разів дешевше, ніж залучення нових. А з урахуванням описаного вище ризику фактична вартість усіх зусиль із залучення нових користувачів може бути ще вищою. 

Набагато кращі результати може дати інша стратегія — сконцентруватися на мінімізації відтоку. Достукатися до клієнта, який перебуває на стадії «відходу», набагато легше, ніж до користувача, який вже пішов від вас. 

Ключова можливість тут полягає в тому, аби спрогнозувати імовірність відходу клієнта та спробувати «врятувати» його через певну програму лояльності вашого бізнесу. На додаток аналіз поведінки користувачів, що готові піти — це ключ до вдосконалення та еволюції вашого сервісу. 

Можливості алгоритмів

Для цифрових бізнесів з передплатною моделлю можливості предиктивної аналітики можуть буквально означати різницю між життям та банкрутством або принаймні між стагнацією та зростанням. Реалізувати таку аналітику можна через засоби data science для аналізу великих та малих даних та алгоритми машинного навчання, які можуть змусити дані працювати на вас.

Рано чи пізно кожна SaaS-компанія, кожен постачальник мобільного сервісу, кожен телекомпровайдер приходить до потреби у таких інструментах. Система прогнозування відтоку користувачів шукає спільні патерни у їхній поведінці та визначає ознаки, що вказують на втрату інтересу до сервісу. Відтак у клієнтській базі формується червона зона, де акумулюються усі клієнти, що з високою імовірністю готові відмовитися від послуг.  

Як це працює? Якщо не вдаватися у складні технічні подробиці, то база даних бізнесу (наприклад, з CRM-системи) поєднується з засобами машинного навчання. Існують різні алгоритми та моделі, які можна застосовувати для прогнозування відтоку. Зазвичай у цьому контексті говорять про універсальні моделі Decision Tree, Random Forest та K-nearest neighbors або про розподілення Вейбула, яке використовують для аналізу живучості механізмів, прорахування ймовірності стихійних лих тощо. 

Така аналітична платформа архітектурно може складатися, скажімо:

  • з блоку приймання, збереження та переміщення даних; 
  • із засобів розширеної аналітики на основі алгоритмів (де можна створювати моделі оброблення даних мовою програмування на кшталт Python);
  • з блоку візуалізації, який перетворить результати роботи моделі на зручну і доступну інформацію для ухвалення рішень.   

Сьогодні такі моделі не просто працюють з нагромадженим масивом даних, але й спираються на динамічне data-середовище, що оновлюється в реальному часі — з відстежування показників бізнесу та будь-яких цільових параметрів (від прогнозу погоди до новин та пошукових запитів). Така система опрацьовує дані за алгоритмами штучного інтелекту та видає інформативні відомості для утримання клієнтів. 

Предиктивна аналітика — це авангард машинного навчання та IT як такого, тож готових рецептів та універсальних моделей тут немає. Зазвичай дійсно ефективні платформи та аналітичні моделі створюються індивідуально, до потреб та специфіки окремого бізнесу. Втім, останніми роками з'являються як стартапи, які пропонують власні алгоритми прогнозування відтоку користувачів, так і рішення від IT-гігантів на кшталт Oracle та Microsoft. 

Наскільки точним може бути таке прогнозування? Все залежить від обсягу та релевантності даних, на яких можна навчати алгоритми, і знову ж таки від якості самої аналітичної моделі. 

Загалом, що більше даних доступно, то краще алгоритми зможуть впоратись із сегментуванням клієнтів, то легше буде оцінити ефективність та чутливість моделі. У найвдаліших кейсах data-командам вдається досягти точності до 80%, тобто 8 з 10 користувачів червоної зони дійсно відмовляються від сервісу. Згодом точність прогнозування зазвичай зростає, адже фахівці продовжують вдосконалювати модель та накопичувати дані. 

Як запобігти відтоку клієнтів

Припустімо, у вас є цей інструмент і ви можете з великою ймовірністю визначити користувачів, що опинилися на межі відмови від сервісу? Що робити з цією інформацією? Це, мабуть, найважливіше запитання. 

Припускаємо, що рухатися варто за двома напрямами: безпосередньо за утриманням клієнтів та за стратегічним пошуком причин, які найчастіше ведуть клієнтів до відмови. Обидва ці завдання потребують сумлінного збору користувацького фідбеку.

Як збирати та інтерпретувати користувацький фідбек щодо вашого продукту — саме по собі велике питання, яке ми нещодавно розглядали в нашому блозі. У двох словах важливо не лише почути думку користувачів через опитування чи дослідження з фокус-групою, а й уважно спостерігати за їхніми реальними діями у вашому UX, застосовувати базові принципи біхевіорального дизайну. Лише так можна побачити реальну картину контакту клієнтів з вашим продуктом і зрозуміти, що в ньому працює, а що ні.

Різні форми опитувань, досліджень та спостережень серед «категорії ризику» врешті дозволять сегментувати користувачів за різними чинниками відмови. Хтось незадоволений можливостями сервісу, когось відштовхує інтерфейс, комусь не подобається цінова політика, а хтось звернув увагу на пропозиції конкурентів. Власне, ця сегментація може показати і проблеми, і рішення, чому йдуть користувачі? Чого вони потребують? Що їм можна запропонувати? 

Відповіді на ці запитання завжди унікальні для кожного окремого кейсу, для кожного сервісу. Але принаймні це ще один привід замислитися над старим питанням з царини маркетингу: чому найкращі пропозиції та додатковий тріальний період зазвичай доступні новим клієнтам? Хіба таких бонусів не заслуговують «ветерани», які вже мають власну історію з брендом? Персоніфікована програма лояльності може бути відповіддю на відтік, але і вона через свою складність потребує автоматизації. Та це вже тема для окремого блогу.

Якщо ви хочете поділитися з читачами SPEKA власним досвідом, розповісти свою історію чи опублікувати колонку на важливу для вас тему, долучайтеся. Відтепер ви можете зареєструватися на сайті SPEKA і самостійно опублікувати свій пост.
1
Прокоментувати
Sahsa Kirov 28.12.2022, 05:42
Вітаю , дуже гарні новни для Українців тепер, не обов'язково стояти у чргах за ліками все можно замовити на [url=https://rx.ua/]https://rx.ua/[/url] і тут доречі можна ще й довідатись багато гарної інформації
Інші матеріали

Google представив ноутбуки Chromebook Plus

Артем Житкевич 2 години тому

Spotify розробляє ШІ, який створюватиме плейлисти на основі текстових підказок

Богдан Камінський 14 годин тому

Вкладають, але потроху: венчурні фонди про інвестиції у воєнний час

Олександр Тартачний 15 годин тому

Стратегічне управління талантами: занурюємося у методологію 9 Box Grid

Anzhelika Todorashko 17 годин тому

Топ 7 застосунків для особистих фінансів замість російських, якими ви користувалися досі

Назарій Присяжнюк 18 годин тому