¿Qué métodos existen para predecir el abandono en un modelo de negocio de pago por uso, en el que los clientes no cancelan activamente sino que abandonan en silencio?

Hay dos tipos de abandono que ocurren

1. Contractual: los clientes dejan de pagar pagos periódicos a la empresa
2. No contractual: los clientes no realizan un evento comercial (transacción, pedidos) en un período de tiempo específico

El pago por uso se ajusta al caso no contractual.

Consideremos que posee una compañía de juegos en la que mide Churn cuando un usuario no inicia sesión durante 7 días

• ¿Cuáles son las características principales de un sistema de minería de datos a nivel empresarial?
• ¿Por qué los modelos de precios de almacenamiento de datos siguen siendo escalonados?
• ¿Cómo conseguiste tus primeros 1000 clientes para tu startup SaaS? ¿Fue dificil?
• ¿Cuál es la mejor plataforma de incorporación de tutorial para SaaS?
• Como empresa pequeña, ¿cuál es la mejor manera de encontrar una empresa que pueda diseñar y desarrollar una aplicación que se ajuste a nuestras necesidades?

Existen múltiples métodos para predecir este abandono,

1. Uso de análisis: hacer ciertas reglas basadas en el análisis de datos pasados ​​con una herramienta de segmentación (Amplitud, Mixpanel, Kissmetrics, etc.). Por ejemplo, puede hacer que una cohorte de usuarios que no completen 3 niveles en los últimos 30 días probablemente no inicien sesión en los próximos 7 días observando cómo se han comportado los usuarios en el pasado de manera similar. Esto generalmente no brinda una buena precisión, ya que hay millones de puntos de datos que nosotros como humanos no podemos comprender y, por lo tanto, conducen a campañas de mala retención.

2. Uso de predicciones: con el avance del aprendizaje profundo y los datos no estructurados, las empresas pueden aprovechar todos los puntos de comportamiento pasados ​​de los usuarios para predecir con precisión el comportamiento futuro.

En su empresa, esto puede predecirse teniendo en cuenta el pasado de sus usuarios

1. Eventos realizados por el usuario en su plataforma (niveles cruzados, minutos jugados, etc.)
2. Datos de perfil (dispositivo, ubicación, etc.)
3. Datos transaccionales (compras en la aplicación)
4. Interacciones de marketing (notificaciones push enviadas e interacciones, tipos, etc.)

Teniendo en cuenta estos (millones) de puntos de datos, el Modelo aprende cómo se han comportado los usuarios en el pasado y los patrones de cómo se comportan los diferentes usuarios para predecir cómo se comportará cada usuario ahora mismo después de 7 días.

Con estas predicciones, ahora puede tomar medidas de retención proactivas (descuento en compras en la aplicación, reducción de dificultades, etc.). Las tasas de éxito en la retención proactiva son al menos 5 veces mejores .

Cofundé Marax AI para resolver este mismo problema. Si tiene el problema de Churn, envíeme un ping a [correo electrónico protegido] para obtener acceso anticipado a nuestra plataforma SaaS de predicción de Churn para reducir el abandono en su empresa.

La mayoría de las empresas de análisis de datos son excelentes para explicar su pasado. Somos una empresa de datos que predice su futuro.