การพัฒนาธุรกิจด้วยวิธีการ Churn prediction


Share this article

บริษัทที่มีลูกค้าจำนวนมากมักจะมีปัญหาในการรักษาลูกค้าให้ซื้อสินค้าและบริการต่อไปนานๆ แม้ว่าธุรกิจอาจจะสามารถอบรมพนักงานให้สามารถบริการลูกค้าได้ดีขึ้น แต่พนักงานคงไม่สามารถใช้เวลาดูแลลูกค้าจำนวนมากได้อย่างทั่วถึงเพราะค่าใช้จ่ายในการดูแลจะสูงมากเกินไป อย่างไรก็ตามหากบริษัทสามารถคาดการณ์ล่วงหน้าได้ว่าลูกค้ารายใดมีความเสี่ยง หรือ แนวโน้มที่จะยกเลิกบริการ หรือ หยุดใช้บริการก็จะเป็นประโยชน์ต่อบริษัทเป็นอย่างมาก ซึ่งประโยชน์ของการทำนายนี้สามารถช่วยให้ธุรกิจทราบได้ล่วงหน้าเมื่อลูกค้ามีพฤติกรรมที่เปลี่ยนแปลงไป และมีแนวโน้มที่กำลังจะยกเลิกการใช้บริการ ทำให้บริษัทสามารถติดต่อลูกค้าที่มีความเสี่ยงได้โดยตรง และนำเสนอส่วนลด สินค้า หรือบริการพิเศษเพื่อจูงใจลูกค้าให้อยู่ต่อ

การทำนายลักษณะลูกค้าที่กำลังจะยกเลิกบริการโดยใช้เทคโนโลยี Big Data และ Machine Learning ได้รับความนิยมอย่างมาก โดยเทคนิคนี้จะทำการตรวจหาลูกค้าที่มีแนวโน้มที่จะยกเลิกการบริการ เหมาะสำหรับบริษัท ที่ค้าขายด้วยระบบแพคเกจรายเดือน หรือ subscription-based services ตัวอย่าง เช่น บริษัทให้บริการสัญญาณโทรศัพท์ ธุรกิจบัตรเครดิต ประกันภัย ธนาคาร บริษัทแอปพลิเคชันต่าง ๆ และกลุ่มค้าปลีก เป็นต้น

ขั้นตอนการทำนายลักษณะลูกค้าที่กำลังจะยกเลิกบริการ ประกอบด้วย 3 ส่วนหลัก ๆ ดังนี้

1. รวบรวมข้อมูลลูกค้าที่ผ่านมาและนำข้อมูลต่าง ๆ มาศึกษา จำแนกข้อมูลตัวแปรที่สำคัญต่าง ๆ และปรับปรุงคุณภาพข้อมูล เพื่อเตรียมข้อมูลนำเข้าโมเดล ประเภทของตัวแปรหลัก ๆ ที่มักนำมาใช้จะประกอบไปด้วย

  • ตัวแปรข้อมูลลูกค้า เช่น อายุ อาชีพ เพศ ลักษณะครอบครัว เป็นต้น
  • ตัวแปรที่เก็บข้อมูลเกี่ยวกับการประเมินความพึงพอใจต่าง ๆ เช่น ความพึงพอใจหลังการใช้บริการ เป็นต้น
  • ตัวแปรด้านพฤติกรรม ลักษณะการใช้งานของลูกค้า เช่น ความถี่ในการใช้บริการ จำนวนครั้งที่จ่ายเงินและจำนวนเงินที่จ่ายไป เป็นต้น

2. ทำโมเดลเพื่อใช้ในการทำนาย วิธีการทำโมเดลนี้จะใช้ Algorithm ประเภท Classification หรือ การแบ่งกลุ่ม ซึ่งต้องอาศัยข้อมูลลูกค้าในอดีตเป็นตัวตั้งต้น โดยแบ่งกลุ่มลูกค้าออกเป็นสองกลุ่ม คือ กลุ่มที่กำลังจะหนี (เสี่ยง) และกลุ่มปกติ (ไม่เสี่ยง)

3. วิเคราะห์และศึกษาผลที่ได้จากการทำนาย หาวิธีการที่จะลดความเสี่ยงในการยกเลิกบริการจากผลการทำนาย

ยกตัวอย่างเช่น การทำนายลักษณะลูกค้าที่กำลังจะยกเลิกบริการในธนาคารโดยการนำข้อมูลประวัติของลูกค้าเก่าที่ได้ยกเลิกบริการมาเปรียบเทียบกับข้อมูลประวัติลูกค้าที่อยู่ในปัจจุบัน เพื่อหาส่วนที่คล้ายคลึงกันระหว่างลูกค้า ยกตัวอย่างเช่น ลูกค้าที่มีการปิดบัญชีหรือลูกค้าที่มีเงินฝากลดน้อยลง หากพบส่วนที่คล้ายคลึงกัน หมายความว่าลูกค้าเหล่านั้นมีแนวโน้มที่จะยกเลิกบริการ เหตุผลหลัก ๆ ที่ทางธนาคารควรนำวิธีการนี้มาใช้เพื่อเหนี่ยวรั้งลูกค้าไว้คือ ทำให้ธนาคารประหยัดค่าใช้จ่ายมากขึ้น เนื่องจากค่าใช้จ่ายในการดึงดูดลูกค้าใหม่มีค่าใช้จ่ายมากกว่าการรักษาลูกค้าเก่าหลายเท่า ลูกค้าที่ใช้บริการมาอย่างยาวนาน จะสร้างรายได้ให้กับทางธนาคารมากกว่าลูกค้ารายใหม่และหากสูญเสียลูกค้าเหล่านั้นไป จะทำให้รายได้ของทางธนาคารลดน้อยลง

เทคนิคที่มักถูกนำมาใช้ในการทำโมเดลหลัก ๆ ประกอบด้วย Neural Network, Logistic Regression, Decision Tree เป็นต้น โดยเทคนิคแต่ละเทคนิคก็มีข้อดีข้อเสียแตกต่างกันไป เช่น Neural Network มีข้อดีคือ ทำงานได้ดีและมีความแม่นยำ แต่ข้อเสียคือ ทำงานได้ค่อนข้างช้า และการทำความเข้าใจโมเดลเป็นไปได้ยาก ส่วน Logistic Regression ข้อดีคือ ทำงานได้ดีและสามารถตีความโมเดลได้ง่าย ข้อเสียคือ โมเดลอาจจะไม่แม่นยำถ้าข้อมูลมีความสัมพันธ์แบบซับซ้อน (non-linear relationship) สุดท้ายคือ Decision Tree ข้อดีคือ ใช้งานได้ง่าย สามารถระบุได้ทันทีว่าตัวแปรไหนมีความสำคัญที่สุด แต่ข้อเสียคือ เมื่อเทรน Decision Tree กับข้อมูลชุดหนึ่ง การใช้โมเดลนั้นกับข้อมูลชุดใหม่อาจจะไม่ได้ประสิทธิภาพ (over-fitting)

Reference

(Article) How to Improve Your Subscription Based Business by Predicting Churn

(Slideshare) Customer churn prediction in banking

(Article) Churn prediction หรือ การทำนายลักษณะลูกค้าที่กำลังจะยกเลิกบริการ

READ  Data Governance การจัดทำธรรมาภิบาลข้อมูลขององค์กร

ลงทะเบียนรับข่าวสาร

ไม่พลาดทุกการอัพเดทจาก Big Data Experience Center

Big Data Experience Center (BX)

ชั้น 14 อาคาร Knowledge Exchange Center (KX)
110/1 ถนนกรุงธนบุรี, แขวงบางลำภูล่าง เขตคลองสาน กรุงเทพฯ 10600
อีเมล์: [email protected]

ABOUT

SERVICES