如何通过机器学习预测客户流失？

安吉拉是一家保险公司呼叫中心的助理，自新冠疫情以来，她一直在家工作。在最初的几个月里，她的网络很差。她试图联系目前运营商的技术支持，但由于安吉拉所在地区的所有人都转为家庭办公，需求增加，电话一直占线。

继三番五次打不通电话、邮件得不到回复后，她放弃了，转而选择了另一家运营商，这家运营商有现成的方案能满足她的需求。根据凯捷管理顾问公司的研究，有成千上万的家庭经历了和安吉拉一样的情况。有几十家公司因为一百万个小问题或几个大问题失去了他们的客户。

要是有一个客户服务代表知道客户的困难并能及时采取行动，情况可能就会有所不同。当然，员工不可能持续追踪每一个终端用户并且掌握他们目前与公司的关系。但是只要使用正确的技术就可以做到。

本文中，我想分享我的公司马克思比尔最近为一个合作伙伴开发一个流失预测模型的案例。其成功率证明准确率高达97%，有两个主要使用点将使客户受益。

结合多种算法的单一模型

数据收集和后续评估有多种方法。我们为特定的客户在集成方法中结合了许多不同的算法。这种模式包括：

• 决策树分类器
• KNeighbors分类器
• 逻辑回归
• 随机森林分类器
• 投票分类器

控件在历史数据上运行的结果表明流失预测的准确率高达97%。我们计划用额外的人工数据来丰富模型，并用它来鉴定处于风险中的客户。这样可以进一步将它们包括在保留过程中。

客户保留用例：如果对特定情况没有明确了解，创建模型将毫无用处。

按客户计算：与客户关系管理中的客户摘要连接时，流失预测引擎会为客户服务代表预测特定客户与公司终止合作的可能性。在这种情况下，任何客户服务代表都可以积极主动地迎合客户需求，降低客户流失的风险。

批量报告：报告将在指定日期生成，突出显示风险组中的客户列表。这些数据可用于客户保留营销活动，从而进一步降低客户流失的风险，使客户与服务供应商互动并提高忠诚度。

该模型不仅能显示需要更多关注的客户——该过程属于双方互动，使得管理层应用新的关税，更新现有产品定价，提供折扣、特别促销，并根据模型中添加的新变量看到其行为的预计后果。该工具将便于为特定的客户群创建专门优惠，并在保持低误报率的同时寻求营销投资回报率和客户流失之间的最佳平衡。

更不用说所有过程都是自动的。一旦系统预测某个客户或客户群处于流失风险之下——就可以采取首选的流失预防行动，而无需人为干预。

顾客关怀的未来

正如德勤的分析显示，今年我们看到了一个前所未有的机会，让多重业务供应商扩大其客户群、影响范围和服务包。但是，很多公司发现他们的后台缺乏可扩展性。大多数供应商都面临的一大痛点是客户服务代表的压力增大。

由于新冠疫情，扩招员工几乎不可能。同时，新冠疫情的另一个副作用导致对其服务的需求增长。例如，一些租户在农村地区难以获得良好的网络连接，这也是供应商必须解决的问题。

为了跟上快速增长的机遇，公司既要改善其客户群的客户服务体验，又要能够预测和避免客户流失。

增强用户体验可以通过将多渠道通信（FacebookMessenger，Viber，WhatsApp，Telegram）封装在服务流中，通过SelfCare门户中的自助服务来自动化客户处理流程，部署带有会话AI的个人助理，拥有自然语言处理能力和集成RPA机器人，为用户执行前端和后端任务。

机器学习可以成功得到利用以完成摆在公司面前的大部分任务。对于每一个特定的案例，可以在不同的过程中选择、训练、测试和实现特定的算法组合。在其帮助下，企业可以提高客户保留能力，并以更经济的方式更快地扩大客户群。
责编AJX