黑科技！Kochava推出預(yù)測(cè)客戶(hù)流失分析功能ChurnModeling

 流失是移動(dòng)營(yíng)銷(xiāo)人員面臨的一個(gè)真正問(wèn)題，他們花費(fèi)數(shù)百萬(wàn)美元購(gòu)買(mǎi)新用戶(hù)，然后在安裝后的幾天內(nèi)失去他們，流失很昂貴。 營(yíng)銷(xiāo)人員不僅需要花錢(qián)購(gòu)買(mǎi)新用戶(hù)，而且對(duì)他們?cè)贍I(yíng)銷(xiāo)成本也超過(guò)了初始投資。

客戶(hù)流失分析是一個(gè)解決方案，但需要營(yíng)銷(xiāo)團(tuán)隊(duì)投入大量時(shí)間。 本質(zhì)上，沒(méi)有快速或單一的方式來(lái)回答為什么用戶(hù)流失。

為了幫助營(yíng)銷(xiāo)人員減少客戶(hù)流失，Kochava開(kāi)發(fā)了Churn Modeling作為Analytics中的一個(gè)額外事件，以幫助營(yíng)銷(xiāo)人員識(shí)別最有可能流失的用戶(hù)。 使用機(jī)器學(xué)習(xí)，流失模型可以識(shí)別最有可能流失的用戶(hù)展示的模式。 一旦確定，它就根據(jù)其風(fēng)險(xiǎn)等級(jí)對(duì)用戶(hù)進(jìn)行評(píng)分和分組。

通過(guò)流失建模獲得優(yōu)勢(shì)

流失建模事件（“_PredictedChurn”）是預(yù)測(cè)用戶(hù)流失可能性的機(jī)器學(xué)習(xí)模型的結(jié)果。 首先，該算法根據(jù)歷史數(shù)據(jù)“學(xué)習(xí)”指示流失的用戶(hù)行為。 這些數(shù)據(jù)包括安裝后的前七天內(nèi)觀察到的新近度、頻率和趨勢(shì)指標(biāo)。 然后將生成的模型應(yīng)用于新用戶(hù)，并預(yù)測(cè)哪些用戶(hù)可能在隨后的30天內(nèi)流失。

用戶(hù)根據(jù)流失的可能性（高，中高，中低，低）進(jìn)行分組。 他們也有可能被攪動(dòng)（0到1之間），這對(duì)自定義視圖和過(guò)濾器很有用。 模型定期更新; 如果跟蹤新事件，模型將更新以解決數(shù)據(jù)中出現(xiàn)的任何新模式。

使用推送通知重新定位

客戶(hù)流失建模作為事件直接適用于推送通知。 證據(jù)表明，更有可能流失的用戶(hù)對(duì)推送通知會(huì)作出積極響應(yīng)。 利用Kochava，營(yíng)銷(xiāo)人員可以對(duì)可能流失的受眾群體啟動(dòng)推送通知。

例如，在分析中，創(chuàng)建一批不太可能完成購(gòu)買(mǎi)的用戶(hù)，并立即讓他們參與轉(zhuǎn)換。選擇“添加到購(gòu)物車(chē)”事件和“預(yù)測(cè)流失”事件，并排除已購(gòu)買(mǎi)的用戶(hù)。這將創(chuàng)建一批表示意向購(gòu)買(mǎi)的用戶(hù)（添加一個(gè)項(xiàng)目到購(gòu)物車(chē)），誰(shuí)沒(méi)有完成購(gòu)買(mǎi)，并且很有可能流失。然后，創(chuàng)建這些用戶(hù)的群組，并將其保存為受眾群體，以便在Engagement儀表板中進(jìn)行訪(fǎng)問(wèn)推送信息。例如，按可能性（組）進(jìn)一步過(guò)濾隊(duì)列，并細(xì)分高組中的用戶(hù)。另一種選擇是另外根據(jù)屬性網(wǎng)絡(luò)進(jìn)行過(guò)濾，并根據(jù)預(yù)測(cè)的流失事件進(jìn)行拆分。