تحلیل نتایج پیشبینی ریزش مشتری
در ادامهی پست پیشبینی ریزش مشتری از یک مجموعه دادهی شبیهسازی شده که رفتارهای واقعی مشتریان (مثل سن، سابقه، هزینهها و...) را نشان میدهد، در این مقاله استفاده شده است:
با اجرای یک کد پایتون، نتایج تحلیل دادههای بالا به صورت نمودارهای زیر به دست آمد:
۱. نمودار اهمیت ویژگیها
در این نمودار، هر چه نوار آبی بلندتر باشد، یعنی آن عامل تاثیر بیشتری در «ماندن یا رفتن» مشتری داشته است.
هزینهی ماهانه: بلندترین نوار! یعنی قیمت، اولین و مهمترین دلیل مشتری برای خداحافظی است.
سابقهی حضور: مشتریانی که تازه به یک سازمان (فروشگاه، سایت و ... ) پیوستهاند، بیشتر در معرض ریزش هستند؛ وفادارسازی در ماههای اول حیاتی است.
سن و تاخیر در پرداخت: این دو مورد هم در رتبههای بعدی هستند؛ مشتریانی که سابقه تاخیر در پرداخت ( اشتراک و... ) دارند، احتمالا چراغقرمزِ ریزش را روشن کردهاند.
۲. نقشهی همبستگی
این نمودار رنگی (Heatmap) نشان میدهد که بین رفتارها چه رابطهای وجود دارد.
رابطهی مستقیم: برای مثال بین «تاخیر در پرداخت» و «وضعیت ریزش» یک رابطه مثبت وجود دارد (اعداد مثبت)؛ یعنی هر چه تاخیر بیشتر شود، احتمال رفتن مشتری هم بالاتر میرود.
نکته: اعداد نزدیک به صفر یعنی آن دو عامل ربطی به هم ندارند؛ مثلاً «سن» مشتری روی «میزان هزینهی ماهانه» او تاثیر مستقیمی نداشته است.
جمعبندی
اگر میخواهید مشتری نرود، باید حواستان به جیب مشتری (هزینهی ماهانه) و خوشقولی او در پرداخت (تاخیرها) باشد؛ اگر مشتری در ماههای اول حضورش (سابقه کم) هزینه زیادی پرداخت کند و کمی هم در پرداختها تاخیر داشته باشد، با احتمال ۹۰٪ به زودی شما را ترک میکند!
✍وجیهه واعظی نژاد
