文档介绍:客户流失预警方法
客户流失
1客户流失的定义
由于企业各种营销手段的实施而导致客户和企业中止合作的现象就是客户流失。
2客户为什么会流失
客户流失主要是基于以下原因:
(1)产品质量与价格
产品的质量与价格是导致客户流失的主要因素之一。为客户提供品质优良的产品是企业必须尽到的义务。粗制滥造或性能不达标的产品必然导致客户的流失。所以,企业开展商业活动必须以产品的高质量为基础。产品和服务的个性化也可以有效地降低企业客户流失率。
客户流失
(2)对客户不闻不问
客户的抱怨和询问不能得到妥善的处理会造成他们的离去。真正提出抱怨的客户也是最有可能回头的客户,企业应当认真倾听客户的意见,给予及时妥善的解决,让他们感觉到自己受到了尊重。在提高客户的满意度的同时还能从客户那里收集到免费的建议,以便不断改善企业的产品和服务。
(3)对员工置之不理
为了保持客户,企业必须首先赢得自己的员工,特别是那些直接与客户打交道的人员。企业员工的流失,可能导致和他长期保持联系的重要客户的流失。为了减少客户流失率,要求企业必须拥有高素质的、稳定的员工群体。
4、企业管理不平衡,令中小客户离去
营销人士都知道2、8法则,很多企业都设立了大客户管理中心,对小客户则采取不闻不问的态度。广告促销政策也都向大客户倾斜,使得很多小客户产生心理不平衡而离去。
5、自然流失
有些客户的流失属于自然流失,公司管理上的不规范,长期与客户缺乏沟通,或者客户转行转业等。关键所在就是企业的市场营销和管理不到为,不能够的与一线的市场做更多的沟通,现在的商业领域很广泛,生产企业也处在供大于求的状态,所以企业如果不能够很好的去维护你的客户,那么流失客户的资源是非常正常的表现。
.
此外,企业思想消极以及竞争对手的行动也是企业客户流失的主要原因。
客户流失
数据挖掘技术
迄今为止,大部分企业解决客户流失问题的主要手段还停留在经验识别的水平上;而学术界对客户流失问题的研究则主要集中在流失种类、原因和后果的定性识别上,这些研究结果和商业问题的耦合相对松散,难以在管理实践中加以应用。
数据挖掘技术的出现,有效地解决了上述问题。
数据挖掘技术是目前数据仓库领域最强大的数据分析手段。它利用已知的数据建立数学模型, 找出隐含的业务规则。在客户流失预警分析中, 主要方式是根据以前拥有的客户数据, 建立客户属性、服务属性和客户消费数据与客户流失可能性关联的数学模型, 找出客户属性、服务属性和客户消费数据与客户流失的最终状态的关系, 并给出明确的数学公式。
流失客户的预警从本质上来说是一种数据分类过程, 常用的数据分类的方法主要有Logistic 回归、决策树、神经网络等,这些方法在银行、保险、社保等领域得到了广泛应用。
流失预警的目标是通过特定算法分析出哪些客户具有较大的流失概率, 从而对这些客户进行有目的、有区别的挽留工作, 尽量减少客户流失带来的损失。通过流失模型, 提高对高价值客户挽留的成功率, 降低客户流失率, 降低挽留服务的成本, 做到有的放矢, 减少由于客户流失带来的收入损失。
客户流失预警
流失预警模型构建的第一步是采用数据挖掘中的决策树、神经网络等分析技术,通过对数据的探索和分析归纳出具有高度流失倾向的用户普遍特征。然后从现有用户中找出具有类似特征的用户群,通过大量的对比分析,最终利用用户的历史行为数据将不同用户归入不同的群组,并对不同用户群的流失倾向给予评分,形成对客户流失可能性的预测。
客户流失预警
图1反映的就是数据挖掘模型的核心部分——分类与预测的一个简单例子(以移动通讯行业为例)。算法的输入是一部分样本数据(即训练数据),通过分类算法,按我们需要的目标属性,对这些样本数据进行多次分类,直到找到可以将目标属性全部筛选出来的标准。最后在其它样本数据上应用这些标准,预测可能同样具有目标属性的数据。
客户流失预警
客户流失预警
在客户流失预警模型中,通常采用决策树算法获取分类标准。图2简单地说明了流失预警模型的工作原理。假定训练数据中有100万个客户的信息,其中有5万已经流失。通过多个变量,逐层将这100万个客户分组,即把他们归入图中决策树不同的叶子中。通过多次分类,最终发现不同方格里的分组用户的流失倾向也不同。如绿色方块所示,同时满足A1、B1、…、%,远远大于样本的平均流失率5%。这样,通过构建流失预警模型,就非常准确地发现了具有高流失倾向的用户群。如果将其他用户的行为数据作为模型的输入,对这群用户的流失倾向进行评分,就可以发现具有较高流失可能的用户群体。这意味着如果对这一类客户进行挽留的话,将大大提高挽留工作的针对性,以尽可能少的资源投入换取尽可能大的挽留成果。
客户流失预警