1. 首頁 > 生活百科 > >

預測用戶流失模型的3大方式 如何預測用戶流失模型？( 二 )

小知識用戶流失模型


進一步假設流失客戶在接觸到和接觸不到的客戶中均勻分布 ， 我們可以計算出券商A根據流失預測模型來采取挽留關懷活動能夠成功挽留下來的客戶數量為

成功挽留的客戶數=總客戶數×有效客戶比例a×高流失傾向客戶比例b×有效客戶的平均流失率×模型提升度×接觸成功率c×接觸到的客戶的成功挽留率
d=3000000×40%×5%×1.5%×5×50%×30%=675人
在這種情況下 ， 總體流失率=（30000-675）/3000000=0.9775% ， 和不做活動的1%幾乎沒有什么區別！
從這里我們可以看出 ， 客戶流失預測模型并沒有給企業帶來關于客戶流失率方面的多大改變 。 看到這樣的結果 ， 有人不禁要問 ， 那還要不要做流失預測模型呢？這是一個非?，F實的問題 。
三、明確目的：挽留關懷客戶建立流失預測模型的目的是為了減低客戶流失率呢 ， 還是為了提高關懷與挽留工作的有效性呢？
如果是單純為了大幅度降低客戶流失率 ， 流失預測模型所起到的效果是相對較少的 。 原因很簡單 ， 流失預測模型其實是一種方法論 ， 它并不能直接帶來客戶流失率的降低 。
打個比方 ， 就好比給病人看病 ， 再先進的醫療設備也只能幫助病人查毛病 ， 而不能幫助病人養好病 。
證券行業的流失預測模型 ， 在客戶挽留中所起的作用也只能是幫助券商找到流失傾向比較高的客戶群 ， 而不能直接導致流失率的下降 。 這一點要清楚 。
縱觀證券行業 ， 券商通常認定真正流失的客戶是指發生了消資金賬戶、轉托管和撤銷指定等行為的客戶 ， 但客戶流失預測模型的流失定義通常是針對客戶資產是否嚴重縮水 。
這樣 ， 預測模型不僅包括了上述三種客戶 ， 而且還包括了這樣的一些客戶：由于資產縮水嚴重而超出自己能夠承受的預期損失、被深度套牢而很可能轉為睡眠客戶 。
這些客戶雖然看起來仍然還是券商的客戶 ， 但已由活躍客戶逐漸轉為不活躍 ， 不再給券商貢獻利潤價值 。
從證券行業的實際情況來看 ， 發生消資金賬戶、轉托管和撤銷指定等行為的客戶流失不可避免 ， 而且占一定的比例 。 但后一種客戶 ， 卻是可以通過挽留關懷來使客戶繼續保持活躍 ， 繼續為券商貢獻利潤價值 。
所以 ， 客戶流失預測模型的目的應該是為了提高挽留關懷工作的有效性 ， 最大限度地讓客戶保持活躍狀態 ， 而不是所謂的大幅度降低客戶流失率 。
客戶保持工作的最佳時機是在其未流失時 ， 所謂防患于未然 。
面對日益激烈的市場競爭 ， 大多數企業越來越重視客戶保持工作 ， 通過不斷地投入來做好客戶關懷與挽留工作 ， 最大可能地留住客戶 。
但它們通常都會面臨這樣的問題：如何在企業資源緊缺的情況下 ， 提高客戶關懷與挽留工作的效率 ， 如何能夠在較少的客戶接觸成本上關懷到更多實際將會流失的客戶呢？
這就要借助于基于數據挖掘的客戶流失預測模型了 。
繼續上面的例子 ， 假定券商A每月可以達到的客戶接觸為6萬人次 ， 而且把要接觸的對象集中在了高價值客戶上 。
如果根據由客戶流失預測模型給出的高流失傾向的前5%的客戶名單開展關懷與挽留工作 ， 剛好120×5%=6萬人 ， 這個時候每月可以成功挽留住的客戶數為675人 。
如果沒有模型指導 ， 每月可以成功挽留住的客戶數為
總客戶數×高價值客戶比例a×高流失傾向客戶比例b×高價值客戶的平均流失率×接觸成功率c×接觸到的客戶的成功挽留率
d =3000000×40%×5%×1.5%×50%×30%= 135人
通過簡單的比較就可以發現 ， 基于完全相同的人員投入、完全相同的接觸成功率、完全相同的挽留成功率 ， 有模型指導的挽留比沒有模型指導的挽留在每月的工作中成功地多挽留了675-135=540個客戶 。
假設這些成功留住的客戶可以繼續保持活躍狀態的時長為半年（比較保守的估計） ， 有效客戶平均貢獻傭金每月100元 ， 則每月由于挽留效率的提高可以獲得的額外收益將為540×100×6=324000元 。
一年下來 ， 年總收益將增加324000×12=3888000元 。
這已經是最為保守的估算了 ， 因為據了解 ， 多數客戶的月平均傭金貢獻高達幾百元 ， 甚至幾千元 。
再進行更為保守的估算 ， 如果在模型指導下選取前5%的高流失傾向客戶作為目標客戶時 ， 模型的提升度為3 。 這樣的情況下 ， 每年的收益依然能夠增加1944000元 ， 投資回報依然很大！

推薦閱讀