数极客首页

如何评价客户流失预测模型效果

    怎样
评价客户流失预测模型效果呢?用来评价
客户流失预测模型预测效果好坏的一个重要指标就是提升度了。所谓提升度,简单来说,运用
模型预测客户流失比不运用
模型要好多少。如图,将客户按流失概率由大到小排名,图中的点(10%,50%)表示流失排名前10%的客户包含了理论

流失客户的50%。换句话说,假定

企业有300万的客户,平均

流失率为1%,假定

对前10%的客户中止

捕获,理论

上能够

捕获到真实流失的客户15000人(即300万×1%×50%)。图中蓝线表示在没有预测模型指导的状况

下随机抽取客户的结果。这条线其实很好了解

,假定

抽取10%的客户,则能够

捕获到300万×10%×1%个流失客户,占到总理论

流失客户的300万×10%×1%÷(300万×1%)=10%,所以这条线理论

上是一条斜率为45度的直线。图中红线表示客户流失预测模型预测下的结果,如线上的点(10%,50%)表示流失排名前10%的客户包含了理论

流失客户的50%。所以,关于
流失排名前10%的客户,运用
模型预测的效果是没有运用
模型预测的5倍!这就是所谓的提升度。

 

ROC曲线
其实,上图的红线就是传说中的ROC曲线,全称Receiver Operating Characteristic Curve,中文名叫接纳
者操作特性曲线。而蓝线就是基准线。普通
来说,ROC曲线与偏离基准线,越向左上方靠拢,模型的预测效果就越好。提升度关于
评判模型预测性能好坏固然很重要。但是,人们常常
只关注有由提升度所给出的模型预测效果,却忽视

(或者没有去评价
)客户流失预测模型所表现出来的“应用效果”。人们普通
比较

关怀

,有了这样一个流失预测模型,或者说在这个模型的指导下对高流失可能客户展开
挽留关怀

活动,下个月的客户流失率会不会显著地降低呢?这样的见地
是不正确的,由于
客户流失预测模型只是提示

了“什么样的客户更可能会流失”这样一个客观规律。理论

状况

是,在运用
客户流失预测模型之后,客户流失率常常
得不到大幅度的降低。下面经过
一个证券行业的例子来阐明

。假定
某个券商A,当前有300万的客户,月平均

流失率为1%。为了更好地树立
预测模型,在开发模型的过程,仅对有效客户中止

建模,也就是说,在建模之前,需求
经过
设定一定的条件来剔除非有效客户,如机构客户、资产极大或极小客户、无买卖
行为客户,等等。这样,有效客户数120万,月平均

流失1.8万,流失率为1.5%。最终
,券商A针对有效客户开发了客户流失预测模型,其效果能够

用上面的图示来表示,即假定

选取最具流失倾向的前10%客户作为目的
活动客户,能够

包括一切
理论

流失客户的50%。由于券商A的各方面资源紧缺,客服人员人数有限。所以券商A决议
依据

流失预测模型的高流失倾向的客户名单,对有效客户展开
一对一的针对性挽留关怀

活动,而对非有效客户,则希望经过
普通的营销政策中止

挽留。券商A依照

流失预测模型给出的流失倾向评分从高到低,依次选择这次活动的目的
客户,即从120万的有效客户当选

取了前5%的高流失倾向客户作为目的
客户,即6万。,接下来,客服人员将在“挽留月”对这6万客户中止

一对一的挽留关怀

工作。券商A希望能在月末的流失率统计中有一个令人称心

的结果。这6万客户中真实流失的客户有120×5%×1.5%×5=0.45万个,若能全部挽留住这0.45万个客户自然是好,但在理论

挽留关怀

工作中,却是很难做到。我们需求
留意
客户流失预测模型在理论

应用中会惹起
耗散的几个中央

(1)在全部客户中,仅对有效客户中止

针对性挽留关怀

,假定
比例a,这里a=120/300=40%

(2)目的
活动客户选取时,仅对高流失倾向客户中止

挽留,假定
选取比例b=5%

(3)客户挽留过程,存在目的
活动客户的接触胜利

率,假定
c

(4)客户接触胜利

的客户中又存在挽留胜利

率问题,假定
d依据

之前券商A在客服方面的阅历

,a、b、c、d都是能够

预算
的。这里无妨
假定,胜利

接触率c为50%,接触胜利

的客户中有流失倾向的人的挽留胜利

率d为30%。进一步假定
流失客户在接触到和接触不到的客户中平均

散布

,我们能够

计算出券商A依据

流失预测模型来采取挽留关怀

活动能够

胜利

挽留下来的客户数据量
为胜利

挽留的客户数=总客户数×有效客户比例a×高流失倾向客户比例b×有效客户的平均

流失率×模型提升度×接触胜利

率c×接触到的客户的胜利

挽留率d=3000000×40%×5%×1.5%×5×50%×30%=675人在这种状况

下,总体流失率=(30000-675)/3000000=0.9775%,和不做活动的1%简直

没有什么区别!从这里我们能够

看出,客户流失预测模型并没有给企业带来关于客户流失率方面的多大改动
。看到这样的结果,有人不由
要问,那还要不要做流失预测模型呢?这是一个十分

理想
的问题。理论

上,回答

这个问题,第一
就要回答

另外一个问题:树立
流失预测模型的目的是为了减低客户流失率呢,还是为了进步
关怀

与挽留工作的有效性呢?假定

是单纯为了大幅度降低客户流失率,流失预测模型所起到的效果是相对较少的。缘由
很简单,流失预测模型其实是一种办法

论,它并不能直接带来客户流失率的降低。打个比如

,就好比给病人看病,再先进的医疗设备也只能辅佐

病人查缺陷

,而不能辅佐

病人养好病。证券行业的流失预测模型在客户挽留中所起的作用也只能是辅佐

券商找到流失倾向比较

高的客户群,而不能直接招致
流失率的降落
。这一点要分明

。纵观证券行业,券商通常认定真正流失的客户是指发作
了消资金账户、转托管和撤销指定等行为的客户,但客户流失预测模型的流失定义通常是针对客户资产能否
严重缩水。这样,预测模型不只
包括了上述三种客户,而且还包括了这样的一些客户:由于资产缩水严重而超出自己

能够

接受

的预期损失、被深度套牢而很可能转为睡眠客户、等等。这些客户固然
看起来依然

还是券商的客户,但已由生动

客户逐步

转为不生动

,不再给券商贡献

利润价值。从证券行业的理论

状况

来看,发作
消资金账户、转托管和撤销指定等行为的客户流失不可避免

,而且占一定的比例。但后一种客户,却是能够

经过
挽留关怀

来使客户继续坚持
生动

,继续为券商贡献

利润价值。所以,客户流失预测模型的目的应该是为了进步
挽留关怀

工作的有效性,最大限度地让客户坚持
生动

状态,而不是所谓的大幅度降低客户流失率。客户坚持
工作的最佳机遇
是在其未流失时,所谓防患于已然
嘛。面对日益猛烈

的市场竞争,大多数企业越来越注重
客户坚持
工作,经过
不时
地投入来做好客户关怀

与挽留工作,最大可能地留住客户。但它们通常都会面临这样的问题:怎样
在企业资源紧缺的状况

下,进步
客户关怀

与挽留工作的效率,怎样
能够

在较少的客户接触本钱
上关怀

到更多理论

将会流失的客户呢?这就要借助于基于数据挖掘

的客户流失预测模型了。继续上面的例子,假定券商A每月能够

抵达

的客户接触为6万人次,而且把要接触的对象集中在了高价值客户上。假定

依据

由客户流失预测模型给出的高流失倾向的前5%的客户名单展开
关怀

与挽留工作,刚好120×5%=6万人,这个时分
每月能够

胜利

挽留住的客户数为675人。但假定

没有模型指导,每月能够

胜利

挽留住的客户数为总客户数×高价值客户比例a×高流失倾向客户比例b×高价值客户的平均

流失率×接触胜利

率c×接触到的客户的胜利

挽留率d =3000000×40%×5%×1.5%×50%×30%= 135人经过
简单的比较

就能够

发现,基于完好

相同的人员投入、完好

相同的接触胜利

率、完好

相同的挽留胜利

率,有模型指导的挽留比没有模型指导的挽留在每月的工作中胜利

地多挽留了675-135=540个客户。假定
这些胜利

留住的客户能够

继续坚持
生动

状态的时长为半年(比较

激进
的估量
),有效客户平均

贡献

佣金每月100元,则每月由于挽留效率的进步
能够

取得

的额外收益将为540×100×6=324000元,一年下来,年总收益将增加324000×12=3888000元。这曾经
是最为激进
的预算
了,由于
据了解

,多数客户的月平均

佣金贡献

高达几百元,致使

几千元。再中止

更为激进
的预算
,假定

在模型指导下选取前5%的高流失倾向客户作为目的
客户时,模型的提升度为3。这样的状况

下,每年的收益依然

能够

增加1944000元,投资报答
依然

很大!理论

上,我们的预算
疏忽

了展开
挽留关怀

活动所耗费

的本钱
问题。之所以疏忽

,是由于
我们在没有模型指导和有模型指导下中止

挽留活动所破费

的本钱
都是一样的。我们只需求
比较

在有模型指导下中止

挽留活动比没有模型指导增加了多少收益。经过
这些预算
,只是为了阐明

一个问题:客户流失预测模型不是开发好了,部署起来,就扔在那里,每月按时跑数,也不能只看到模型预测结果准还是不准,关键是要应用到理论

的客户挽留关怀

工作当中去,这样才干
看到实真实
在的效果。

作者:jerryhuang_00bf链接:https://www.jianshu.com/p/62177a00b6ab著作权归作者一切

发表评论

评论已关闭。

相关文章