用户流失的预测模型——Churn Model

没有一家公司愿意失去有价值的客户。可能一开始，公司会专注于寻找新客户，然后通过向现有的客户提供附赠产品，或试着让客户更多地使用他们的产品，不断扩大公司规模。

如果一切进展顺利，扩大至某种规模，公司也必须选择更具防御性的策略，专注于留住现有客户。尽管用户体验可能非常好，但总是会有客户感到不满意，从而决定不再购买公司产品。

公司接下来面临的问题是，如何尽可能有效地防止这些(主动)流失。这就是流失模型（Churn Model）以及其他模型的作用所在。如果你想了解更多数据分析相关内容，可以阅读以下这些文章：
预测流失模型：数据怎样帮助维持用户粘性？
使用 PySpark 和 MLlib 构建线性回归预测波士顿房价
找工作前必知：商业分析师如何通过预测分析来创建客户体验？
哈登詹姆斯双双出局！机器学习如何预测球员胜利贡献值？

什么是流失模型（Churn Model）？

该模型是一个预测模型，在个人客户的层面上估计客户流失的倾向（或易感性）。通过流失模型，我们可以得知每个客户在未来流失的风险有多大。

从技术上讲，流失模型是一个二元分类器，将客户分为两组（类）——已流失的和未流失的。除了进行分组，该模型通常还会告诉我们客户属于某一组的概率。

需要注意的是，这是客户离开客户群的概率。因此，这是流失的倾向，而不是流失的概率。但是，我们可以通过流失模型来估计这种概率。

流失模型的作用有哪些？

通过了解哪些客户流失的风险最大，我们可以更有针对性地进行补救。例如，我们可以通过营销活动接触这些客户，提醒他们他们已经很久没有从我们这里购买产品，甚至为他们提供优惠。

除了知道要定位哪些客户之外，我们还可以使用流失模型来计算用户觉得划算的最大收益价格。例如，如果我们知道某个客户离开的概率是 10%，来自他的年收入为 100 美元，那么未来年收入的预期值则为 90 美元。因此，在我们营销成本不超过5美元时，新的产品报价能把流失概率降至5%(预期收益是95美元)，那么该报价对该客户来说就是划算的。

流失模型需要什么？

与任何监督机器学习模型一样，流失模型需要带有响应（来自目标）和解释变量（特征）的训练数据。

通常，通过历史数据，但我们可以了解哪些客户最终会选择离开，哪些客户没有离开。那些离开的客户拥有正向指标（他们离开了）。其他客户拥有负向指标（没有离开）。当然，我们并不清楚他们决定发生的时间点。

合理定义的目标是最关键的。在许多情况下，定义目标非常简单（例如，取消最近上新的产品），有时不那么简单（例如，过去三个月交易额为零）。但是，我们可以将流失模型应用于合同（例如，银行）和非合同（例如，电子商店）的客户关系。

功能包括可以帮助识别流失客户的数据。这些数据通常包括社会人口统计数据、拥有的产品数据、历史交易、客户与公司的互动、电子商务行为等。

同样重要的是，我们需要注意要提前多久预估客户离开的倾向。换句话说，从我们通过可用功能查看客户，到我们可以判断出他们是否要离开的那一天之间，中间间隔多久？如果间隔太短，那么留给公司做出回应的时间就不是很多。另一方面，如果间隔太长，模型预测结果将不太准确，更新也会不太及时。

流失模型是什么样的？

现代流失模型通常基于机器学习；具体来说，是基于上述二元分类算法进行研究。这些算法有很多，公司需要测试哪种算法最适合具体情况（具体的训练数据、数据量等）。无论是使用逻辑回归、更复杂的随机森林、或 GBM 等简单模型，还是涉足神经网络，都需要注意以下两点。

• 1. 分类器有多种性能指标。由于大多数公司的流失率非常低，因此只看流失模型是不够准确的。例如，如果流失率为 10%，并且所有客户的流失模型都表示他们不会离开，那么该模型的准确度为 90%。但这些数据并没有什么用。因此，你还需要查看灵敏度（模型检测到实际离开的客户数量）和精度（模型识别出实际离开的客户数量）。
• 2. 此外，我们建议公司不要将得到模型当成黑匣子用。相反，公司应该尝试了解做出决策所依据的参数。这样做，不仅可以揭示模型或数据中的缺陷，而且对产品和营销团队来说也是非常有用的信息。例如，如果我们知道绝对折扣金额对客户流失的影响小于相对的折扣金额，可以利用这一点创建更有效的营销活动和定价策略。

下一步是什么？

准备好流失模型后，你需要将其运用至公司的日常运营中，包括持续监控、评估和更新（无论是重新进行简单升级还是添加新功能）。

因此，你可以利用该模型，自动检测那些可能增加客户离开可能性的事件，并尽快做出回应。

外部的数据顾问可以在这两方面为你提供帮助。但需要注意的是，流失模型（比其他数据项目更重要）可以帮助有经验和对公司和行业特定情况敏感的人参与其中，这一点至关重要。

感谢你的阅读！请在评论中分享你的想法和意见。你还可以订阅我们的YouTube频道，观看大量数据科学相关公开课：https://www.youtube.com/channel/UCa8NLpvi70mHVsW4J_x9OeQ；在LinkedIn上关注我们，扩展你的人际网络！https://www.linkedin.com/company/dataapplab/

原文作者：Adam Votava
翻译作者：Lia
美工编辑：过儿
校对审稿：Jiawei Tong
原文链接：https://towardsdatascience.com/churn-prediction-model-8a3f669cc760