從歷史上來看，客戶流失僅僅被看作一個衡量消費者興趣的度量標準，企業幾乎很難影響這個數值。作為度量標準，客戶流失的衡量是反應性的，而不是主動性的。因此，大部分企業過去所能做的就是搞清楚哪些因素可能增加流失量，然後改進這些因素。
什麼是客戶流失？
客戶流失，簡單來說就是一段特定時間內失去的客戶在總客戶數中的佔比，總客戶數中不包括這段時間內新增的客戶。換句話說，這個數據是一個衡量你在留存客戶方面你做得有多麼成功或者多麼糟糕的指標。
在對“失去的客戶”的解釋上，有一些需要考慮的細微差別。
▌ “絕對”vs“假定”流失：在某些情況下，客戶會主動停止與你的關係（比如，一個銀行賬戶持有人關閉了他的賬戶）；也有這樣的情況，客戶可能已經停止了與你的聯繫，但是紙面上你們的客戶身份並沒有改變（比如一位顧客不再去她從前常去的零售商那裡買東西）。
▌不同行業判定流失的時間長度不同：對於電信公司來說，當一個客戶已經一個月沒再使用該公司的網絡服務時可能就要判定他是流失客戶了。而對於一個航空公司來說，由於客戶使用服務的頻率一般都比較低，所以判定客戶流失的時間可能要延長到6個月到12個月。
▌ “反應性”vs“預期性”流失：客戶流失可以以兩種截然不同的方式發生。有時，是特定的不愉快的事件或者經歷使客戶離開你的公司，這通常被稱為‘反應性’流失。例如，信用卡用戶可能會因為未預期到的收費，不滿意的客服體驗或者漫長的爭端解決流程等而選擇離開。也有的時候，流失是一個漸進的過程，而不是由特定的事件引起的。這就叫做‘預期性’或者‘沉默’流失。顯然，這類流失更難被管理。
如何進行客戶流失管理？
客戶流失管理的核心在於識別潛在流失者發出的預警信號。如果能夠及時發現一位客戶很可能要離開，那就可以採取主動措施來防止這種情況發生。這時數據分析就可以發揮信息轉換的作用。讓我們一起來看看這種信息轉換在不同方面的作用：
▌確定已知負面觸發事件和它們的影響之間的關係：通過研究負面消費經歷的歷史數據以及不同類型的消費者作出的反應，我們可以建立起一個模型來預測反應性流失。之後，我們可以利用這個模型，追蹤當前消費者所經歷的相似觸發事件，以確定它們可能會作何反應。從而可以讓那些會因為一次或者多次負面經歷而流失的消費者走上“恢復”的道路。
▌基於過去數據來理解逐漸流失行為：歷史數據也可以用來預測非觸發性事件驅動的流失。根據對現有用戶的360度全方位評估，把他們和歷史流失客戶進行對比，從而幫助預測出具有高流失風險的客戶。換句話說，如果一個客戶表現出了與過去逐漸流失的客戶相似的行為——包括購買商品類別的減少，購物頻率的降低，忠誠度積分兌換行為的減少等，那麼他可能就會走上和他們類似的道路。
▌識別高流失風險客戶群：也可以使用類似決策樹之類的模型將客戶劃分為具有不同行為特徵的客戶群，從而識別具有高流失風險的客戶群。舉一個電信企業的例子——模型表明，過去一年新加入的，有70%的花費都在數據服務上的用戶的流失風險是平均值的十倍。可以挑選出這些群體來作為高風險客戶群，並且對他們適當的進行特別對待。
注意誤報
要進行高效的客戶流失管理，一個很重要的問題就是流失預測模型誤報率很高。因為這些錯誤的預測，你不得不花費很多錢來試圖留住那些從未存在過流失風險的客戶。
在對預期性流失的預測中，這種假陽性的預測通常會高於50%。下圖中是一條典型的基於邏輯模型進行流失預測的假陽性預測率曲線。
當然，也有一些普遍適用措施來改善假陽性預測率。
首先，可以增加數據點的數量：既要在數據類型上增加（比如，根據用戶體驗數據和營銷活動數據等來豐富交易數據），也要在數據量上增加（比如，數據月份的增加）。
另一個解決假陽性問題的可能措施是利用模型異質性來增強模型的性能。對特定類型的預測選擇對應的最有效的模型，然後把他們組合在一起以優化整體性能。
客戶流失管理需要哪些數據？
與任何處理客戶行為的用例一樣，可以利用的數據越多，效果就越好。對客戶參與業務的各個方面有一個全方位的認識，可以讓你有一個整體性的策略。
下圖提供了一些可以協同考慮的關鍵數據集。
投資回報率這個至關重要的問題
僅僅識別出來有高流失風險的客戶是不夠的。全面的客戶流失管理需要確定出最佳的行動方案，在每一個客戶層面上解決流失危機。幸運的是，AI和數據分析在這方面有巨大的價值。有效管理潛在流失者有以下的三個關鍵步驟：
▌確定客戶吸引力：不同的客戶對企業有不同的價值。因此，第一步要做的是確定每一個客戶對你的重要性，從而可以將改善費用花在對你有最高終身價值的客戶上。
▌確定用戶對改善策略的敏感度：下一步是確定對每一個客戶個體最有效的改善策略是什麼。改善策略通常由兩個因素組成——他們對哪種活動或者干預做出最佳反應？以及他們最佳回應的溝通渠道是什麼？
▌測試並學習反饋循環：最後，即使你已經搞清了所有具有流失風險的客戶中對你最有價值是哪些，以及可能重新吸引他們的最有效策略是什麼，但有一個靈活的操作流程也是至關重要的，因為這能讓你快速地從你的提議和他們的反饋中學習並改善。這種反饋循環可以不斷地調整模型來提高模型性能。
有一些現成的流失預測工具可以讓企業以自助的方式操作。這種工具主要的問題通常來自於這些模型的有效性，因為它們在很大程度上依賴於一刀切、千篇一律的方法。
而與此相對的另一種極端是，企業可以選擇構建內部專用的數據科學功能部分，以便在包括客戶流失在內的多種情況中使用。這通常需要大量的前期和持續投資，不是對所有企業都是可行的。通常也會有更長的上市時間。
位於這兩個極端中間的解決方案，將世界一流的外部專業知識與內部業務知識結合在一起，通常是解決流失問題的最有效方法。
閱讀更多 常州創業匯 的文章
