В нашем сегодняшнем материале – опыт регионального оператора сотовой связи nTelos, США, обратившегося к экспертам компании Elder Research для создания прогнозной модели, анализирующей причины текучести абонентов «совместными усилиями» интеллектуального анализа данных и текстовой информации.
Ситуация
nTelos Wireless является ведущим провайдером беспроводных коммуникаций для частных и бизнес-клиентов в семи штатах США. У компании, головной офис которой находится в Вирджинии, примерно 400 тысяч абонентов; ее годовой доход превышает 400 миллионов долларов.
В индустрии беспроводных коммуникаций царит жесткая конкуренция. Для того чтобы поддерживать прибыльность бизнеса, провайдерам необходимо контролировать текучесть абонентской базы, то есть потерю абонентов в связи с переходом на другого провайдера.
В 2010 году из-за высокой текучести доля рынка и показатель прибыльности nTelos сильно упали – и руководство компании решилось на серьезные меры. Компания закупила сложный пакет аналитического ПО и обратилась за помощью к одному из лидеров в сфере аналитики. Впрочем, спустя несколько месяцев стало ясно, что это не дало желаемых результатов. В январе 2011 года провайдер обратился к специалистам Elder Research, Inc. (ERI), чтобы проанализировать причины высокой текучести абонентской базы и принять соответствующие меры для ее снижения.
Решение
Анализ текучести абонентской базы провайдера беспроводных технологий – непростая аналитическая задача. В ней очень много переменных, причем некоторые из них весьма сложно измерить с необходимой точностью, поскольку процент колебания их значения очень мал. Поэтому для решения этой задачи необходимо корректно применять широкий спектр аналитических методов – чтобы удостовериться, что данные точны, а также предложить верный алгоритм последующих корректирующих действий. Таким образом, аналитики ERI предложили решение, состоящее из семи последовательных шагов:
Шаг 1: Исправить недостатки в работе аналитического ПО.
Вскоре после начала работы, специалисты разобрались с проблемами при установке купленного аналитического ПО, чтобы система работала корректно.
Шаг 2: Изучить проблему и данные.
Аналитики общались с бизнес-пользователями из nTelos, чтобы лучше понять потенциальные преимущества своей работы для бизнеса, цены различных типов ошибок классификации, доступные источники данных, а также возможные действия по результатам прогнозов. В пределах каждого задействованного источника данных специалисты уделяли пристальное внимание типу, значению и другим характеристикам каждого фактора. Любопытно, что предшественники аналитиков из ERI утверждали, что для успешной работы им не нужно ничего знать о самом бизнесе – простого доступа к данным, по их словам, было достаточно.
Шаг 3: Повысить точность входных данных.
Проверка данных экспертами выявила серьезные недостатки входных данных – такие как нестыковки в информации о клиентах, – которые сделали их непригодными для дальнейшего анализа. Специалисты создали и внедрили программу верификации данных – чтобы быть уверенными, что данные соответствуют стандартам точности, заданным прогнозными моделями.
Шаг 4: Внедрить прогнозные модели для сокращения текучести абонентской базы.
Эксперты построили и внедрили аналитические модели, устанавливающие связи между текучестью абонентов и ключевыми переменными, такими как природа договора с клиентом, тип тарифного плана, число использованных минут в роуминге, а также регион страны. Это позволило обозначить определенных клиентов как тех, кто наиболее склонен к «перебежке» в стан провайдера-конкурента – и спрогнозировать такое действие за 90 дней до его совершения.
Затем команда маркетологов и специалистов call-центра занялась «рискованными» случаями, чтобы создать для этих клиентов как можно более привлекательные условия. Новая прогнозная модель оказалась, по подсчетам, в 2,5 раза эффективнее, чем предыдущие методы, используемые провайдером для определения потенциальных «перебежчиков». В дальнейшем модели, разработанные ERI, ставили именно таких клиентов в приоритет – чтобы работа отделов, ориентированных на клиентов, была еще более эффективной.
Шаг 5: Использовать интеллектуальный анализ текста для внедрения информации от call-центра в прогнозные модели.
Осознав, что комментарии от клиентов, регистрируемые в корпоративном call-центре, могут послужить источником полезных прогнозных данных, специалисты запустили процесс интеллектуального анализа этой текстовой информации, одновременно визуализируя ее в виде облаков тегов (графических изображений, коррелирующих ключевые слова, используемые клиентами, с их конечными действиями). В облаке тегов слова, используемые чаще всего, выделены более крупным шрифтом, а слова с более сильной корреляцией – темно-красным цветом.
На иллюстрации показано облако тегов абонентов мобильной связи, перешедших к другому провайдеру по собственной воле (то есть тех, кто принял решение о переходе самостоятельно, не будучи вынужденным поступить так в силу обстоятельств – таких как неуплата и т.д.). Слово blackberry, например, обозначено крупным шрифтом зеленого цвета, что указывает на частое использование этого слова клиентами, но низкую корреляцию с фактом «перебежки». А вот слово iPhone обозначено более мелким шрифтом темно-красного цвета – то есть используется абонентами не столь часто, но зато сильно коррелирует с фактом перехода абонента к оператору-конкуренту. (На тот момент nTelos не предлагали своим клиентам iPhone).
Таким образом, модели, вычисляющие «вероятность перебежки», были улучшены путем добавления нового источника данных: разговоров с абонентами, обращающимися в call-центр. Это позволило повысить эффективность моделей – и, следовательно, последующего таргетинга – на 3,1%.
Шаг 6: Отслеживать результаты прогноза при помощи стратегии «проб и ошибок».
После того как прогнозные модели были построены и внедрены, аналитики внедрили стратегию «проб и ошибок», которая предполагала использование контрольных групп для оценки маркетинговых стратегий и мониторинга работы самих моделей. Результаты получились неожиданными: оказалось, что клиенты, которым в скором времени предстояло продлевать договор с компанией, были склонны менять провайдера из-за того, что они получали голосовые сообщения от операторов call-центра. Обнаружилось, что операторы обычно звонили, чтобы напомнить о том, что срок действия абонентского договора истекает. Руководство компании изменило сценарий звонков – теперь вместо такого предупреждения операторы озвучивали возможности клиента выбрать более выгодные опции, и текучесть абонентской базы существенно сократилась.
Шаг 7: Провести «анализ выживаемости» и определить тенденции.
Анализ выживаемости выходит за пределы изучения отдельных клиентов и идентифицирует более масштабные тенденции. Используя эту технологию (заимствованную из исследований в области медицины), специалисты ERI получили возможность показать клиенту, что, например, абоненты, совершившие предоплату по автоматической дебетовой сделке, менее склонны к «перебежке» чем абоненты, совершившие предоплату по кредитной карты, и еще менее склонны переходить к конкуренту чем те, кто совершал оплату наличными (как показано на диаграмме анализа выживаемости).
Основываясь на этой информации, руководство nTelos модифицировало планы предоплаты так, чтобы абонентам было выгодно настроить автоматическую предоплату с дебетовых карт, и в пределах этой категории абонентов текучесть также существенно сократилась.
Результаты
Измерения, проведенные при помощи статистически важных контрольных групп для нескольких категорий клиентов, показали, что работа экспертов по разработке ПО, улучшения качества данных, аналитике и решению прочих связанных задач снизила показатель текучести абонентов с 3,5% в 2011 году до 2,9% в 2012 году – самая низкая цифра за несколько лет. Основываясь на данных, полученных от контрольных групп в рамках стратегии «проб и ошибок», эксперты подсчитали, что внедрение улучшенной прогнозной модели повысило годовую прибыль компании более чем на 1 миллион долларов.