Dlaczego moi klienci odchodzą?
Istnieje wiele powodów dlaczego klineci moga rezygnować z zakupu usługi lub produktów które sprzedaje Twoja firma. W artykule retencja klientów opisywaliśmy czym jest retencja, jak odczytywać sygnały o potencjalnym odejściu klienta i jak gromadzić wiedzę na ten temat. Każdy z potencjalnych, najczęściej występujących sygnałów jest miarodajny, ale rozpatrywany samodzielnie nie jest wystarczająco wyraźny by wyróżnić grupę klientów zagrożonych odejsciem i zareagować odpowiednio wcześniej nie dopuszczając do utraty klienta.
Zatem zdefiniowałęś kilka atrybutów których monitorowanie uznałeś za ważne i miarodajne i teraz chciałbyś wyciągnąć wnioski z ich analizy. Powiedzmy że podzieliłeś klientów na dwie klasy; tych których utraciłeś i tych którzy ciągle są klientami Twojej firmy. Masz też informację na temat częstotliwości zakupów klientów, ich wysokości, ilości kupowanych przez nich kategorii produktów.
Czy klienci którzy odchodzą wykazują inne zachowania niż aktywni klienci? Czy tworzą inną grupę niż ci którzy nadal kupują? Czy na tej podstawie stworzę model który mogę zastosować do wykrywania klienta zagrożonego utratą?
Według badania 3M przetwarzanie informacji zawartej w grafice jest aż 60 tysięcy razy szybsze niż przetwarzanie tekstu. Dlaczego by zatem prezentować wyniki podziału klientów na klastry wg powyższych założeń w postaci tekstu? Przezentacja ich w postaci wykresu pozwoli Ci te informację otrzymać w krótkiej chwili - w sekundy zorientujesz się co łączy klientów danej klasy i jakie są różnice miedzy tymi klasami (aktywni - utraceni).
Przygotuj dane
Porównuj jabłka do jabłek. Jeśli naszymi atrybutami będą obroty i ilość kategorii, znajdźmy dla nich wspólną skalę. Wysokość obrótów i ilość kategorii niewiele nam powie, póki nie będziemy mieć porównania ("- Czy eskimos który ma 4 psy jest bogaty czy biedny? Nie wiesz, bo nie masz porównania"). Porównanie uzyskamy sprowadzając dane do trendu - np. oblicz trend wysokości zakupów w ostatnich 3 miesiącach. Przeskalujmy następnie trend zamieniając go w procenty. Mamy dane!
Prezentacja danych
Jak wyzej, nie będziemy produkować opisu ani nawet ulubionej przez wszystkich tabelki w Excelu. Zaprezentujemy rezultaty naszej analizy w postaci obrazka. Forma która pasować będzie tu idealnie to "wykres macierzy rozproszenia" (po angielsku "scatter matrix plot"). Istnieje wiele oprogramowania i bibliotek które generują takie wykresy. My użyjemy Plotly dla Python. Po przetworzeniu danych uzyskamy następujący wykres.
Czerwone punkty to klienci utraceni. Niebieskie to klienci aktywni. Jakie wnioski możemy odczytać z tej wizualizacji? Klienci którzy odchodzą mają malejący trend obrotów. Ilość kupowanych przez nich kategorii produktów także maleje poza nielicznymi wyjątkami. Klienci aktywni charakteryzyją się zupełnie odmiennymi parametrami - kupują zarówno coraz więcej jak i dla połowy tej populacji zwieksza się ilość kupowanych przez nich kategorii produktów.
Żółty obszar to klienci utraceni. Zielony to klienci aktywni - nadal są naszymi klientami. Budując model wykrywania klientów zagrożonych odejsciem należy szukać takich którzy kupują coraz mniej jednocześnie kupując mniejszą ilość kategorii. Na wykresie przedstawiono jedynie część danych - dla celów poglądowych. Pracując jednak z realnymi danymi, musisz zdecydować jaki fragment danych zwizualizujesz na wykresie by nie doprowadzic do 'overplotting'u' czyli wartości lub etykiety w wizualizacji danych nałożą się, co utrudni odczytanie wizualizacji danych.
Jeśli chcesz dokonać analizy danych Twoich klientów a nie masz na to czasu lub nie wiesz jak się do tego zabrać - skontaktuj się z nami.