Obwohl ein einfaches CBM-System einige solide Vorteile und Erkenntnisse bietet, sind fortschrittlichere Komponenten erforderlich, um den maximalen Nutzen aus einem CBM-System zu ziehen. Im Folgenden besprechen wir einige der wichtigsten Komponenten, wie z. B. Abwanderungsmodelle mit mehreren Zeithorizonten, das Hinzufügen von Preisoptimierungen, die Verwendung von simulationsbasierten Prognosen und das Hinzufügen von Preisdaten der Wettbewerber.
Mehrere Horizon Churn-Modelle
Manchmal ist es sinnvoll, die Abwanderung aus verschiedenen Perspektiven zu betrachten, und einer dieser Blickwinkel ist der Zeithorizont – oder Ergebniszeitraum –, den Sie dem Modell zulassen. Für einige Geschäftsszenarien ist es sinnvoll, ein Modell mit einem kurzen Ergebniszeitraum zu haben, während es für andere sinnvoll sein kann, ein Modell mit einem einjährigen Ergebniszeitraum zu haben.
Um dieses Konzept besser zu erklären, gehen wir davon aus, dass Sie ein Abwanderungsmodell mit einem Ergebniszeitraum von 10 Wochen erstellen. Dieses Modell kann dann verwendet werden, um vorherzusagen, ob ein bestimmter Kunde innerhalb eines Zeitraums von 10 Wochen abwandern wird. Gehen Sie jetzt jedoch davon aus, dass Sie ein bestimmtes Ereignis isoliert haben, von dem Sie wissen, dass es zu einer Abwanderung führt, und dass Ihnen nur noch ein kurzes Zeitfenster von vielleicht drei Wochen bleibt, um vorbeugende Maßnahmen umzusetzen. In diesem Fall ist es sinnvoll, ein Abwanderungsmodell mit einem Zeithorizont von drei Wochen zu trainieren, abhängig von dem spezifischen Ereignis, von dem Sie wissen, dass es die Abwanderung verursacht. Auf diese Weise können Sie Ihre Bindungsaktivitäten auf die Kunden konzentrieren, bei denen das Risiko einer Abwanderung am größten ist.
Dieser differenzierte Ansatz ermöglicht eine strategischere Zuweisung von Ressourcen und konzentriert sich auf wirkungsvolle Interventionen dort, wo sie am meisten benötigt werden. Durch die Anpassung des Zeithorizonts des Modells an bestimmte Situationen können Unternehmen ihre Bemühungen zur Kundenbindung optimieren, was letztendlich den Buyer Lifetime Worth verbessert und unnötige Abwanderung reduziert.
Preisoptimierung und Kundenpreiselastizität
Der Preis ist in vielen Fällen der letzte Teil der Strategieumsetzung, und die Gewinner sind diejenigen, die eine Strategie effektiv in ein effektives Preissystem umsetzen können. Genau das ermöglicht ein CBM-System mit Preisoptimierung Unternehmen. Während das Thema Preisoptimierung durchaus einen eigenen Artikel verdient, versuchen wir im Folgenden, die wichtigsten Ideen kurz zusammenzufassen.
Um loszulegen, müssen zunächst Daten zu historischen Preisen eingeholt werden. Vorzugsweise unterschiedliche Preisniveaus im Zeitverlauf und andere erklärende Variablen. Auf diese Weise können Sie eine Schätzung der Preiselastizität entwickeln. Sobald dies eingerichtet ist, können Sie erwartete Werte für die Abwanderung zu verschiedenen Preispunkten entwickeln und diese verwenden, um erwartete Werte für den Umsatz zu prognostizieren. Die Aggregation auf Kundenebene ergibt den erwarteten Wert und die erwartete Abwanderung auf Produktbasis und Sie können optimale Preise professional Produkt ermitteln. In komplexeren Fällen können Sie auch mehrere Kohorten professional Produkt haben, die jeweils ihre optimalen Preispunkte haben.
Angenommen, ein Unternehmen verfügt über zwei unterschiedliche Produkte, Produkt A und Produkt B. Für Produkt A möchte das Unternehmen seine Benutzerbasis vergrößern und ist nur bereit, eine bestimmte Abwanderungsmenge zu akzeptieren und gleichzeitig auf dem Markt wettbewerbsfähig zu sein. Für Produkt B sind sie jedoch bereit, eine gewisse Abwanderung in Kauf zu nehmen, als Gegenleistung dafür, dass der Preis im Verhältnis zu den erwarteten Einnahmen optimum ist. Ein CBM-System ermöglicht die Einführung einer solchen Strategie und gibt der Führung eine Prognose für die künftig erwarteten Einnahmen der Strategie.
Simulationsbasierte Prognose
Simulationsbasierte Prognosen bieten eine robustere Möglichkeit, Prognoseschätzungen zu erstellen, als nur Punktschätzungen auf der Grundlage erwarteter Werte durchzuführen. Durch den Einsatz von Methoden wie der Monte-Carlo-Simulation sind wir in der Lage, Wahrscheinlichkeitsdichten für Ergebnisse zu generieren und so Entscheidungsträgern Bandbreiten für unsere Vorhersagen an die Hand zu geben. Dies ist aussagekräftiger als nur Punktschätzungen, da wir die Unsicherheit quantifizieren können.
Um zu verstehen, wie simulationsbasierte Prognosen eingesetzt werden können, können wir dies anhand eines Beispiels veranschaulichen. Angenommen, wir haben 10 Kunden mit bestimmten Abwanderungswahrscheinlichkeiten und jeder dieser Kunden hat einen erwarteten Jahresumsatz. (In Wirklichkeit verfügen wir normalerweise über eine multivariate Abwanderungsfunktion, die die Abwanderung jedes einzelnen Kunden vorhersagt.) Der Einfachheit halber gehen wir davon aus, dass wir am Ende keinen Umsatz erzielen, wenn der Kunde abwandert, und wenn er nicht abwandert, behalten wir den gesamten Umsatz. Wir können Python verwenden, um dieses Beispiel konkret zu machen:
import random
# Set the seed for reproducibility
random.seed(42)# Generate the lists once more with the required modifications
churn_rates = (spherical(random.uniform(0.4, 0.8), 2) for _ in vary(10))
yearly_revenue = (random.randint(1000, 4000) for _ in vary(10))
churn_rates, yearly_revenue
Dies gibt uns die folgenden Werte für churn_rates Und yearly_revenue:
churn_rates: (0.66, 0.41, 0.51, 0.49, 0.69, 0.67, 0.76, 0.43, 0.57, 0.41)
yearly_revenue: (1895, 1952, 3069, 3465, 1108, 3298, 1814, 3932, 3661, 3872)
Anhand der oben genannten Zahlen und unter der Annahme, dass die Abwanderungsereignisse unabhängig sind, können wir leicht die durchschnittliche Abwanderungsrate und auch den erwarteten Gesamtumsatz berechnen.
# Calculate the entire anticipated income utilizing (1 - churn_rate) * yearly_revenue for every buyer
adjusted_revenue = ((1 - churn_rate) * income for churn_rate, income in zip(churn_rates, yearly_revenue))
total_adjusted_revenue = sum(adjusted_revenue)# Recalculate the anticipated common churn fee primarily based on the unique information
average_churn_rate = sum(churn_rates) / len(churn_rates)
average_churn_rate, total_adjusted_revenue
Mit den folgenden Zahlen für average_churn_rate Und total_adjusted_revenue:
average_churn_rate:0.56,
total_adjusted_revenue: 13034.07
Wir können additionally mit einer Abwanderungsrate von etwa 56 % und einem Gesamtumsatz von 13.034 rechnen, aber das sagt uns nichts über die Variation, die wir erwarten können. Um ein tieferes Verständnis der Bandbreite möglicher Ergebnisse zu erhalten, wenden wir uns der Monte-Carlo-Simulation zu. Anstatt den erwarteten Wert der Abwanderungsrate und des Gesamtumsatzes zu nehmen, lassen wir die State of affairs stattdessen 10.000 Mal ablaufen (10.000 wird hier willkürlich gewählt; die Zahl sollte so gewählt werden, dass die gewünschte Granularität der resultierenden Verteilung erreicht wird) und für Bei jeder Instanz der Simulation kommt es zu einer Wahrscheinlichkeit, dass Kunden abwandern churn_rate oder sie bleiben bei der Wahrscheinlichkeit 1- churn_rate.
import pandas as pdsimulations = pd.DataFrame({
'churn_rate': churn_rates * 10000,
'yearly_revenue': yearly_revenue * 10000
})
# Add a column with random numbers between 0 and 1
simulations('random_number') = (
(random.uniform(0, 1) for _ in vary(len(simulations))))
# Add a column 'not_churned' and set it to 1, then replace it to 0 primarily based on the random quantity
simulations('not_churned') = (
simulations('random_number') >= simulations('churn_rate')).astype(int)
# Add an 'iteration' column ranging from 1 to 10000
simulations('iteration') = (simulations.index // 10) + 1
Dies ergibt eine Tabelle wie die folgende:
Wir können unsere Ergebnisse mit dem folgenden Code zusammenfassen:
# Group by 'iteration' and calculate the required values
abstract = simulations.groupby('iteration').agg(
total_revenue=('yearly_revenue',
lambda x: sum(x * simulations.loc(x.index, 'not_churned'))),
total_churners=('not_churned', lambda x: 10 - sum(x))
).reset_index()
Und schließlich planen wir dies mit plotly Erträge:
Die obigen Grafiken erzählen eine viel umfassendere Geschichte als die beiden Punktschätzungen von 0,56 und 13034, mit denen wir begonnen haben. Wir verstehen jetzt viel mehr über die möglichen Ergebnisse, die wir erwarten können, und können eine fundierte Diskussion darüber führen, welche Abwanderungs- und Umsatzniveaus wir für akzeptabel halten.
Um mit dem obigen Beispiel fortzufahren, könnten wir beispielsweise sagen, dass wir nur bereit wären, eine Wahrscheinlichkeit von 0,1 % für 8 oder mehr Abwanderungsereignisse zu akzeptieren. Mithilfe individueller Preiselastizitäten der Kunden und simulationsbasierter Prognosen konnten wir die Erwartungen optimieren churn_rates für die Kunden, damit wir genau dieses Ergebnis erreichen konnten. Eine solche Kundenstammkontrolle ist nur mit einem fortschrittlichen CBM-System möglich.
Die Bedeutung der Wettbewerbspreise
Einer der wichtigsten Faktoren bei der Preisgestaltung ist der Wettbewerbspreis. Wie aggressiv die Wettbewerber sind, bestimmt in hohem Maße, wie flexibel ein Unternehmen bei der eigenen Preisgestaltung sein kann. Dies gilt insbesondere für standardisierte Unternehmen wie Versorgungsunternehmen oder Telekommunikationsunternehmen, bei denen es für Anbieter schwierig ist, sich zu differenzieren. Doch trotz der Bedeutung der Preisgestaltung der Konkurrenz entscheiden sich viele Unternehmen dafür, diese Daten nicht in ihre eigenen Preisoptimierungsalgorithmen zu integrieren.
Die Gründe dafür, die Preisgestaltung der Konkurrenz nicht in Preisalgorithmen einzubeziehen, sind vielfältig. Einige Unternehmen behaupten, dass es zu schwierig und zeitaufwändig sei, die Daten zu sammeln, und selbst wenn sie jetzt beginnen würden, hätten sie immer noch nicht die gesamte Historie, die sie zum Trainieren aller Preiselastizitätsmodelle benötigen. Andere sagen, dass die Preise von Konkurrenzprodukten nicht direkt mit ihren eigenen vergleichbar seien und dass es schwierig sei, sie zu erheben. Schließlich behaupten die meisten Unternehmen auch, dass sie über Preismanager verfügen, die den Markt manuell überwachen und bei Bewegungen der Wettbewerber ihre eigenen Preise entsprechend anpassen können, sodass sie diese Daten nicht in ihren Algorithmen haben müssen.
Das erste Argument kann zunehmend durch gutes Internet Scraping und andere Methoden zur Informationsbeschaffung entschärft werden. Wenn das nicht reicht, gibt es manchmal auch Agenturen, die historische Marktdaten zu Preisen für verschiedene Branchen und Sektoren bereitstellen können. Was das zweite Argument betrifft, dass es keine vergleichbaren Produkte gibt, kann man auch Techniken des maschinellen Lernens nutzen, um die tatsächlichen Kosten einzelner Produktkomponenten herauszufinden. Eine andere Methode besteht auch darin, verschiedene Benutzerpersönlichkeiten zu verwenden, mit denen die monatlichen Gesamtkosten einer bestimmten Produktgruppe oder eines bestimmten Produkts geschätzt werden können.
Letztlich führt die Nichteinbeziehung der Wettbewerbspreise dazu, dass die Preisalgorithmen und Optimierungsmaschinen im Nachteil sind. In Branchen, in denen Preisrechner und Vergleichsseiten es den Kunden immer einfacher machen, sich einen Überblick über den Markt zu verschaffen, laufen Unternehmen Gefahr, preislich von fortschrittlicheren Wettbewerbern überholt zu werden.