🔮 Мнение про churn prediction в B2C-подписках
Почти все, кто пытаются спрогнозировать отток в B2C-подписках, в итоге не могут на него повлиять, так как прогноз не даёт рычагов воздействия.
И пока вы в комментариях делитесь успешными примерами, поделюсь своим опытом.
За последние десять лет я общался с десятками компаний, которые рассказывали, что используют churn prediction для снижения оттока существующей базы. Но при погружении, выяснялось, что большинство этих систем — это ретроспектива, замаскированная под прогноз, что как будто является базой во всей индустрии предсказания оттока в B2C.
Эти модели в лучшем случае констатировали факт потери пользователей, которые формально всё ещё платили, а чаще просто констатировали факты из прошлого. Самый мощные тейки обычно:
1. Пользователи, которые не пользуются продуктом имеют высокий черн, давайте просто вернем всех непользующихся в активное состояние, делов-то 😄 Или еще раз объясним им насколько хорош продукт. Но рич коммуникаций низкий, продуктом-то они уже не пользуются, да и часто им это просто не нужно. Поэтому импакт мизерный.
2. С этого источника трафика приходят пользователи с потенциально более высоким черном. Нужно поменять что-то в этом источнике, как-то поособенному их заонбордить или просто отказаться от него. Получается, что эти данные можно было использовать, например, в закупке трафика (с кучей нюансов), чтобы отрубить плохие связки, но не для того, чтобы повлиять на потенциально ушедших.
В Плюсе за 5 лет у нас было несколько подходов к тому, чтобы предсказывать отток как для новых пользователей для перфа, так и для существующей базы. Но добиться хорошей точности прогноза не удавалось.
Говорят, что если зависимость ретеншена и черна доказана, то модель должна замечать «охлаждение» и старт потери интереса к сервису заранее до того, как человек осознает это сам. В этот момент можно вмешаться и изменить взаимодействие, пока он ещё с продуктом и не остыл окончательно. Ближе всех к этому, наверное, стриминги вроде Netflix, где ML-рекомендации стараются втянуть в смотрение. Интересно было бы пообщаться с людьми, кто делал что-то подобное.
Почти все, кто пытаются спрогнозировать отток в B2C-подписках, в итоге не могут на него повлиять, так как прогноз не даёт рычагов воздействия.
И пока вы в комментариях делитесь успешными примерами, поделюсь своим опытом.
За последние десять лет я общался с десятками компаний, которые рассказывали, что используют churn prediction для снижения оттока существующей базы. Но при погружении, выяснялось, что большинство этих систем — это ретроспектива, замаскированная под прогноз, что как будто является базой во всей индустрии предсказания оттока в B2C.
Эти модели в лучшем случае констатировали факт потери пользователей, которые формально всё ещё платили, а чаще просто констатировали факты из прошлого. Самый мощные тейки обычно:
1. Пользователи, которые не пользуются продуктом имеют высокий черн, давайте просто вернем всех непользующихся в активное состояние, делов-то 😄 Или еще раз объясним им насколько хорош продукт. Но рич коммуникаций низкий, продуктом-то они уже не пользуются, да и часто им это просто не нужно. Поэтому импакт мизерный.
2. С этого источника трафика приходят пользователи с потенциально более высоким черном. Нужно поменять что-то в этом источнике, как-то поособенному их заонбордить или просто отказаться от него. Получается, что эти данные можно было использовать, например, в закупке трафика (с кучей нюансов), чтобы отрубить плохие связки, но не для того, чтобы повлиять на потенциально ушедших.
В Плюсе за 5 лет у нас было несколько подходов к тому, чтобы предсказывать отток как для новых пользователей для перфа, так и для существующей базы. Но добиться хорошей точности прогноза не удавалось.
Говорят, что если зависимость ретеншена и черна доказана, то модель должна замечать «охлаждение» и старт потери интереса к сервису заранее до того, как человек осознает это сам. В этот момент можно вмешаться и изменить взаимодействие, пока он ещё с продуктом и не остыл окончательно. Ближе всех к этому, наверное, стриминги вроде Netflix, где ML-рекомендации стараются втянуть в смотрение. Интересно было бы пообщаться с людьми, кто делал что-то подобное.