Marketing & E-commerce hoạt động

Dự báo khách hàng rời bỏ (churn)

Churn Prediction — Dự báo rời bỏ

Đã chạy được. Mục này có công cụ tính toán thật trên nền tảng, không phải mô tả lộ trình.

Đường cong giữ chân và LTV Khớp luỹ thừa qua D1–D30 rồi tích phân

Ba con số D1, D7, D30 dự báo gần như toàn bộ giá trị vòng đời. Công cụ này khớp đường cong và tích phân ra LTV.

LTV ước tính 33,543.60
Tổng ngày hoạt động / người 11.18
Giữ chân D7 (theo mô hình) 15.93%
Số mũ suy giảm b -0.4732
Kết luận LTV chưa hội tụ theo chân trời
① Tham số

Đường cong giữ chân r(t) = a·t^b

Mô hìnhHai điểm neo D1 và D30
Đường cong giữ chân r(t) = a·t^b0.44390.29270.1415-0.009621122456790112135157180

Chỉ hai chấm là số đo thật; cả đường cong đi qua đúng hai điểm đó nên nó không thể sai ở đấy và không được kiểm chứng ở bất kỳ đâu khác. D7 mô hình = 15.93%.

Diễn giải nhanh

Số mũ b = -0.4732 — tổng Σt^b phân kỳ

Với b > −1, kéo dài chân trời thì LTV còn tăng mãi không giới hạn: con số LTV phụ thuộc vào chân trời bạn chọn chứ không phải vào sản phẩm. Với b < −1, LTV tiến tới một trần và chân trời gần như không còn quan trọng.

36% LTV đến trong 30 ngày đầu

Phần còn lại nằm ở đoạn đường cong ngoài mốc D30 — chỗ chỉ có công thức, không có số đo. Càng nhiều giá trị nằm ở đó thì LTV càng là một lời hứa chứ chưa phải doanh thu.

Mô hình cho D7 = 15.93%, D90 = 4.76%

D7 là phép kiểm tra rẻ nhất bạn có: nó nằm giữa hai điểm neo nên nếu D7 thực đo lệch xa con số này thì hình dạng luỹ thừa sai, và mọi thứ ngoại suy sau D30 sai nặng hơn.

CAC tối đa để hoà vốn 33,543.60, mục tiêu LTV/CAC = 3 là 11,181.20

Hoà vốn ở đây nghĩa là hoà vốn sau đúng chân trời đã chọn, 180 ngày, chứ không phải ngay lập tức. Dòng tiền thực tế đến chậm hơn nhiều so với con số tổng.

Khi nào con số này sai: Đường cong luỹ thừa khớp qua ĐÚNG HAI điểm, nên nó không kiểm định được. Nếu D7 mô hình lệch xa D7 thực đo thì hình dạng đường cong sai và LTV ngoại suy sẽ sai theo — hãy đối chiếu trước khi dùng.

Chi tiết

Mô hình r(t) = a·t^b khớp qua D1 và D30
Giữ chân D90 (ngoại suy) 4.76%
CAC tối đa để hoà vốn 33,543.60
CAC mục tiêu (LTV/CAC = 3) 11,181.20

Đường cong giữ chân r(t) = a·t^b

Mô hìnhHai điểm neo D1 và D30
Đường cong giữ chân r(t) = a·t^b0.44390.29270.1415-0.009621122456790112135157180

Chỉ hai chấm là số đo thật; cả đường cong đi qua đúng hai điểm đó nên nó không thể sai ở đấy và không được kiểm chứng ở bất kỳ đâu khác. D7 mô hình = 15.93%.

LTV luỹ kế theo ngày

LTV luỹ kế theo ngày3.742e+042.406e+041.069e+04-2,681122456790112135157180

Cộng dồn ARPDAU × r(t). Tới ngày 30 mới đạt 36% tổng LTV; phần còn lại nằm ở đuôi đường cong, chỗ chưa có dữ liệu nào chống lưng.

180 ngày

Ngày 1–7Ngày 8–30Ngày 31–90Ngày 91–180
180 ngàyNgày 1–7: 4,953 (14.8%)Ngày 8–30: 7,201 (21.5%)Ngày 31–90: 10,664 (31.8%)Ngày 91–180: 10,725 (32.0%)180 ngày

LTV chia theo giai đoạn. Phần thuộc các ngày xa nhất là phần ngoại suy nhiều nhất, và cũng thường là phần bị dùng để biện minh cho mức CAC cao.

Mốc theo ngày

NgàyGiữ chân r(t)Ngày hoạt động luỹ kếLTV luỹ kế% tổng LTV
140.00%0.401,200.004%
715.93%1.654,952.8315%
1411.47%2.567,686.1323%
308.00%4.0512,154.2336%
605.76%6.0518,144.5354%
904.76%7.6122,818.4668%
1803.43%11.1833,543.60100%

Toàn bộ chỉ số

Mô hình r(t) = a·t^b khớp qua D1 và D30
Giữ chân D90 (ngoại suy) 4.76%
CAC tối đa để hoà vốn 33,543.60
CAC mục tiêu (LTV/CAC = 3) 11,181.20

Công thức đang dùng

r(t) = a·t^b khớp qua (1, D1) và (30, D30) · LTV = ARPDAU·Σr(t)

Đây là công thức thật mà mã nguồn chạy, không phải mô tả gần đúng. API tại /api/v1/tools/retention-ltv gọi đúng hàm này, nên kết quả trên trang và qua API không thể lệch nhau.

Cách dùng

  1. Điền tham số ở cột trái. Mọi ô đã có sẵn giá trị ví dụ chạy được, nên bạn có thể bấm Tính ngay trước rồi sửa sau.
  2. Đọc thẻ số ở trên cùng, rồi mục Diễn giải nhanh để biết con số đó nói gì.
  3. Đọc dòng “Khi nào con số này sai” trước khi dùng kết quả để quyết định — đó là giả định vỡ đầu tiên.
Giới hạn chung. Công cụ này tính đúng công thức của nó trên dữ liệu bạn đưa vào. Nó không kiểm tra dữ liệu của bạn có phù hợp với giả định của phương pháp hay không — phần đó vẫn là việc của người dùng, và mục “sai ở đâu” bên dưới trang liệt kê các chỗ hỏng thường gặp.

Dự báo khách hàng rời bỏ (churn) là gì

Dự báo churn ước lượng xác suất khách hàng ngừng sử dụng dịch vụ. Điểm hay bị bỏ qua: mục tiêu không phải dự báo chính xác mà là giữ được khách — hai việc khác nhau, vì nhóm dễ dự báo nhất thường là nhóm không thể cứu được nữa.

Làm thế nào

  1. Định nghĩa churn rõ ràng và có thời hạn: 'không giao dịch trong 90 ngày' chẳng hạn.
  2. Chỉ dùng đặc trưng có sẵn trước cửa sổ dự báo.
  3. Ưu tiên nhóm có xác suất churn cao VÀ có khả năng phản ứng với can thiệp — đây là bài toán uplift, không phải bài toán phân loại.
  4. Chạy A/B test cho chương trình giữ chân, không suy ra hiệu quả từ quan sát.

Đo bằng chỉ số nào

AUC chất lượng xếp hạng
Uplift mức tăng tỷ lệ giữ chân do can thiệp, đo bằng thử nghiệm
ROI chương trình giữ chân giá trị giữ được trừ chi phí ưu đãi

Sai ở đâu

Phần quan trọng nhất của trang này. Một phương pháp được mô tả mà không nói chỗ nó hỏng là phiên bản quảng cáo của phương pháp đó.

! Tặng ưu đãi cho nhóm xác suất churn cao nhất thường lãng phí: nhiều người trong đó đã quyết định rời đi.
! Tặng ưu đãi cho người vốn định ở lại là chi phí thuần — chỉ mô hình uplift phân biệt được hai nhóm này.

Mô hình định lượng dùng trong Marketing

Chưa có mô hình nào gắn riêng cho chủ đề này. Đây là những mô hình của cả ngành — liên quan ở cấp ngành, không phải cấp chủ đề.

Tất cả mô hình →
Markov Chainsắp có

Trạng thái kế tiếp chỉ phụ thuộc trạng thái hiện tại.

ARIMAbeta

Tự hồi quy + sai phân + trung bình trượt.

Prophetsắp có

Phân rã xu hướng + mùa vụ + ngày lễ.

Random Forestbeta

Tập hợp cây quyết định, giảm phương sai bằng bagging.

Câu hỏi thường gặp

Dự báo khách hàng rời bỏ (churn) là gì?

Dự báo churn ước lượng xác suất khách hàng ngừng sử dụng dịch vụ. Điểm hay bị bỏ qua: mục tiêu không phải dự báo chính xác mà là giữ được khách — hai việc khác nhau, vì nhóm dễ dự báo nhất thường là nhóm không thể cứu được nữa.

Dự báo khách hàng rời bỏ (churn) được làm như thế nào?

1. Định nghĩa churn rõ ràng và có thời hạn: 'không giao dịch trong 90 ngày' chẳng hạn. 2. Chỉ dùng đặc trưng có sẵn trước cửa sổ dự báo. 3. Ưu tiên nhóm có xác suất churn cao VÀ có khả năng phản ứng với can thiệp — đây là bài toán uplift, không phải bài toán phân loại. 4. Chạy A/B test cho chương trình giữ chân, không suy ra hiệu quả từ quan sát.

Dự báo khách hàng rời bỏ (churn) hay sai ở đâu?

Tặng ưu đãi cho nhóm xác suất churn cao nhất thường lãng phí: nhiều người trong đó đã quyết định rời đi. Tặng ưu đãi cho người vốn định ở lại là chi phí thuần — chỉ mô hình uplift phân biệt được hai nhóm này.

Đo dự báo khách hàng rời bỏ (churn) bằng chỉ số nào?

AUC — chất lượng xếp hạng; Uplift — mức tăng tỷ lệ giữ chân do can thiệp, đo bằng thử nghiệm; ROI chương trình giữ chân — giá trị giữ được trừ chi phí ưu đãi.

Dự báo khách hàng rời bỏ (churn) trên QuantHub đã dùng được chưa?

Chưa xây dựng. Mục này hiện là điều hướng và tài liệu tham chiếu; chúng tôi không gắn nhãn 'live' cho thứ chưa chạy.

Chủ đề khác trong Marketing

Toàn bộ Marketing
Customer Segmentation CLV Dynamic Pricing Recommendation Campaign Analytics Attribution Sales Forecast Reports