จากข้อมูลสู่การทำนาย: วิธีใช้ Churn Prediction ลดการสูญเสียลูกค้า(#2)

จากข้อมูลสู่การทำนาย: วิธีใช้ Churn Prediction ลดการสูญเสียลูกค้า(#2)

ในยุคที่ภาคธุรกิจมีการแข่งขันอย่างเข้มข้น ทั้งจากคู่แข่งที่เป็น Disruptive technology กับสินค้าและผลิตภัณฑ์ของเรา หรือคู่แข่งดั้งเดิมในสินค้าประเภทเดียวกัน ที่มุ่งเน้นการสร้างสิ่งที่ตอบโจทย์ความต้องการของลูกค้า ทำให้ลูกค้ามีทางเลือกในการซื้อสินค้าและบริการที่หลากหลายมากยิ่งขึ้น ซึ่งสิ่งนี้เองที่อาจทำให้ลูกค้าที่เคยซื้อหรือใช้งาน Service ของเรา “ยกเลิกการใช้บริการ” ได้ง่ายยิ่งขึ้น ส่งผลให้เกิดการสูญเสียรายได้ ดังนั้นคงจะดีไม่น้อยค่ะ ถ้าหากเราสามารถ “ทำนาย” ได้ว่าลูกค้าคนไหนบ้างที่มีแนวโน้มที่จะไม่ใช้บริการ/ซื้อสินค้าของเราต่อ โดยวิธีที่ใช้ในการวิเคราะห์โอกาสการสูญเสียลูกค้านี้คือการทำ Customer Churn Prediction ที่จะกล่าวถึงในบทความนี้นั่นเองค่ะ (^∀^●)ノシ

โดยบทความนี้จะเป็นภาคต่อของบทความ ประเมินโอกาสสูญเสียลูกค้า: Churn Prediction ด้วยข้อมูลและการใช้งานจริง ที่นิกค้างเพื่อนๆ ไว้ค่ะว่าจะมีภาคต่อในการเลือกข้อมูลของลูกค้า หรือ Customer Information และในส่วนของ Features ที่เราจะนำมาใช้ในกรณีที่เป็นการใช้งานผลิตภัณฑ์ หรือ Product Usage Data ร่วมกับข้อมูลอื่นๆ เพื่อวิเคราะห์ และหาบทสรุปของ Churn Signals หรือสัญญาณในการที่ลูกค้าจะไม่ซื้อต่อนั่นเองค่ะ

จากบทความก่อนหน้าในขั้นตอนของ “Data Preparation” ที่เราจะมีการนำเอา Input Data มาจัดเตรียมหรือ Cleansing เป็นขั้นตอนแรกก่อนนำว่าเข้า Model ในการวิเคราะห์

บทความนี้เราจะมาดูกันว่า แล้วข้อมูลอะไรบ้างล่ะ ที่ต้องนำมาใส่เป็น Features ในการสร้างโมเดลทำนาย Churn นั้น ซึ่งจะแบ่งเป็น 4 ชุดข้อมูลหลักๆ ดังนี้ค่ะ

  1. ข้อมูลทั่วไปของลูกค้า (Customer Information)
  2. ข้อมูลการใช้งานผลิตภัณฑ์ (Product Usage)
  3. ข้อมูลการประเมินลูกค้าตามเกณฑ์ (Customer Score Data)
  4. ข้อมูลการใช้จ่าย (Payment Data)

เมื่อทุกท่านเห็นภาพรวมของ Features ที่เราจะนำมาเป็น Input Data ในการประเมินโอกาสสูญเสียลูกค้ากันแล้ว,, เราก็มาเริ่มพิจารณารายละเอียดของแต่ละข้อมูลไปพร้อมกันเลยดีกว่าค่ะ 📈🧐

#1 ข้อมูลทั่วไปของลูกค้า (Customer Information)

สำหรับในส่วนของ Customer Information จะหมายถึงข้อมูลทั้งหมดที่ลูกค้า (แต่ละราย) มี เพื่อระบุ Customer Persona ของลูกค้าที่ซื้อสินค้าหรือบริการของเรา ซึ่งประกอบด้วยรายละเอียดดังนี้ค่ะ^^

  1. ลักษณะทางประชากรของลูกค้า: หรือ Customer Demographic characteristics ซึ่งสิ่งนี้จะบอกเราถึงอุตสาหกรรมหรืองานของลูกค้า/ ความเชี่ยวชาญ/ ประเภทธุรกิจหรืองานที่ทำ/ ที่อยู่/ ภูมิศาสตร์/ อายุบริษัท/ ขนาดของบริษัท และกลุ่มเทคโนโลยีที่สนใจ เป็นต้น
  2. ลักษณะเฉพาะบุคคลของลูกค้า: หรือ Unique characteristics โดยข้อมูลในส่วนนี้จะพิจารณาถึง รายได้/ รูปแบบการทำงานของบริษัท/ การลงทุน / Painpoint/ งบประมาณค่าใช้จ่าย ตลอดจนระยะเวลาที่เขาเหล่านั้นเข้ามาเป็นลูกค้าของเราค่ะ
  3. ตัวตนของผู้ใช้งาน หรือ User persona: สิ่งนี้จะบอกเราว่า ผู้ใช้งานของสินค้าและบริการของเราเป็นใคร และมีคุณลักษณะอย่างไร
  4. ตัวตนของผู้ซื้อ หรือ Buyer persona: ในทำนองเดียวกันกับ User Persona ค่ะ เพียงแต่สิ่งนี้จะมุ่งเน้นไปที่ Persona ของผู้ซื้อ หรือลูกค้า เพราะในหลายๆ ธุรกิจและบริการ User และ Buyer เป็นคนละคนกันนั่นเองค่ะ

ซึ่งสำหรับข้อมูลในส่วนนี้ถือเป็นข้อมูลที่มีรายละเอียดค่อนข้างมาก ซึ่งเราควรใช้เวลา และความละเอียดในการพิจารณาอย่างถี่ถ้วนประกอบการทำ Churn Prediction ค่ะ😎🤓

#2 ข้อมูลการใช้งานผลิตภัณฑ์ (Product Usage)

และข้อมูลในส่วนที่ 2 ที่เราจะต้องพิจารณาคือเรื่องของ ข้อมูลการใช้งานผลิตภัณฑ์ หรือวิธีที่ลูกค้าใช้ผลิตภัณฑ์ของเรา โดยจะมีรายละเอียดที่ต้องพิจารณาประกอบด้วย:

  1. ข้อมูลการใช้งานฟีเจอร์: หรือ Feature usage data ซึ่งจะบอกเราว่าลูกค้าของธุรกิจเรา ใช้ฟีเจอร์และส่วนใดของผลิตภัณฑ์ของเรา และมีการใช้งานอย่างไร เป็นต้น
  2. พฤติกรรมของลูกค้า: หรือ Customer behavior โดยสิ่งนี้จะแสดงความถี่ที่ผู้ใช้งาน ทำการเข้าสู่ระบบ ระยะเวลาการใช้งาน และสิ่งที่ผู้ใช้ทำกับผลิตภัณฑ์ของเราค่ะ โดยเราจะต้องพิจารณาถึงภาพรวมขั้นตอนการใช้งานทั้งหมดทุกพฤติกรรม
  3. การคลิก: ก็ตรงไปตรงมาเลยค่ะ นั่นคือการนับจำนวนครั้งที่ผู้ใช้โต้ตอบกับส่วนต่างๆ ของผลิตภัณฑ์ ผ่านการคลิกหน้าเว็บ ปุ่ม หรือเมนู
  4. ข้อมูลสำคัญอื่นๆ: สิ่งนี้เป็นการพิจารณาถึงข้อมูลในมิติอื่นๆ ที่เกี่ยวข้อง เช่น ผู้ใช้เห็นคุณค่าจากผลิตภัณฑ์ของเราเร็วแค่ไหน และกลับมาใช้งานซ้ำบ่อยหรือไม่ ซึ่งช่วยทำความเข้าใจการมีส่วนร่วม หรือ Engagement โดยรวมนั่นเองค่ะ^^
จากข้อมูลสู่การทำนาย: วิธีใช้ Churn Prediction ลดการสูญเสียลูกค้า
Product analytics tools: user behavior based on fine-grained, user-level data. Source: amplitude.com

#3 ข้อมูลการประเมินลูกค้าตามเกณฑ์ต่างๆ (Customer Score Data) ในการทำ Churn Prediction

แล้วเราก็มาถึงฟีเจอร์(เกือบ)สุดท้ายของการทำ Churn Prediction นั่นคือข้อมูลการประเมินลูกค้าตามประเภทธุรกิจ (Customer Score Data) ซึ่งการให้ Score หรือพิจารณา Customer success data เป็นสิ่งสำคัญสำหรับการทำความเข้าใจว่าผู้ใช้รู้สึกพึงพอใจ และผลิตภัณฑ์ของเราประสบผลสำเร็จในการสร้างความพึงพอใจให้ลูกค้าหรือ User หรือไม่ ซึ่งเราจะใช้หลักเกณฑ์ต่อไปนี้ (เพื่อนๆ อาจใช้เกณฑ์อื่นที่เหมาะสมร่วมด้วยก็ได้นะคะ ขึ้นอยู่กับประเภทของสินค้าและบริการของเราเลยค่ะ) ในการระบุระดับ Score: 🧐😎

  • Net promoter score (NPS): อาจเรียกภาษาไทยได้ว่าเป็น คะแนนผู้สนับสนุนสุทธิ ซึ่งจะใช้วัดความภักดีของลูกค้า และแนวโน้มที่จะแนะนำผลิตภัณฑ์ของเราแก่ลูกค้าท่านอื่นค่ะ โดยสิ่งนี้จะให้ข้อมูลเชิงลึกเกี่ยวกับการรับรู้โดยรวมของแบรนด์ของแบรนด์หรือสินค้าของเรานั่นเองค่ะ
  • Customer satisfaction (CSAT): ซึ่งจะแสดงถึงเปอร์เซ็นต์ของลูกค้าที่พอใจกับผลิตภัณฑ์หรือบริการของเรา โดยที่สิ่งนี้เป็นการวัดความสุขของลูกค้าโดยตรงค่ะ
  • Customer feedback: ข้อนี้ก็ตรงตัวเลยค่ะ นั่นคือความคิดเห็นของลูกค้า ที่เราได้ข้อมูลมาผ่านการรวบรวมความคิดเห็นและข้อเสนอแนะของผู้ใช้โดยตรง ซึ่งจะแสดงให้เห็นถึงข้อมูลเชิงลึกเกี่ยวกับสิ่งที่ลูกค้าชอบหรือต้องการปรับปรุง
  • Support ticket trends: จะเป็นในส่วนของการวัดระดับการสื่อสารกับลูกค้า โดยวิเคราะห์ปริมาณและลักษณะของคำขอการสนับสนุนจากลูกค้าในกรณีที่ลูกค้าประสบปัญหา หรือต้องการการ Support จากระบบ

ซึ่งการประเมินลูกค้าตามประเภทเกณฑ์ต่างๆ (Customer Score Data) ที่กล่าวมาข้างต้น มีสิ่งที่ต้องระมัดระวังเพิ่มเติมในเรื่องของ “ชุดข้อมูลที่เหมาะสมในการนำมาประเมินตามประเภทลูกค้าและ Service” ซึ่งเป็นสิ่งที่เราต้องพิจารณาเพิ่มเติมให้เหมาะสม เพื่อนำมาเป็นฟีเจอร์ในการวิเคราะห์โอกาสที่ลูกค้าจะ Churn ตามหลักการ Churn Prediction ค่ะ (☞゚ヮ゚)☞

#4 ข้อมูลการใช้จ่าย (Payment Data)

และแล้วก็มาถึงในข้อมูลชุดสุดท้ายที่จะมาใช้ในการทำ Churn Prediction และถือเป็นอีกข้อมูลหนึ่งที่มีความสำคัญ นั่นคือ ข้อมูลการชำระเงิน หรือ Payment Data โดยการทำความเข้าใจข้อมูลการชำระเงินถือเป็นสิ่งสำคัญสำหรับการวิเคราะห์ความมุ่งมั่น😎🤔 ของลูกค้าที่จะซื้อสินค้าหรือบริการของเรา และสถานะทางการเงินของลูกค้า ซึ่งประกอบด้วยองค์ประกอบที่เราจะนำเข้ามาเป็นข้อมูลดังนี้ค่ะ:

จากข้อมูลสู่การทำนาย: วิธีใช้ Churn Prediction ลดการสูญเสียลูกค้า
  1. ประวัติการทำธุรกรรมของลูกค้า (Transaction history): ซึ่งเป็นการติดตามการชำระเงินทั้งหมดที่ลูกค้าทำ โดยเราจะพิจารณาข้อมูลเชิงลึกเกี่ยวกับรูปแบบการซื้อ และรูปแบบการชำระเงินค่ะ เช่น COD หรือโอนเลย หรือตัดผ่านบัตรเครดิตเป็นต้น ตลอดจนการชำระเงินที่ตรงเวลาหรือไม่ ใช้/ซื้อสินค้าและบริการบ่อยขนาดไหน (ซึ่งรายละเอียดนี้มีตัวอย่างใน Dataset ของบทความก่อนหน้าค่ะ 😊💡)
  2. วิธีการชำระเงิน (Payment Method): สิ่งที่เราสามารถวิเคราะห์ได้เพิ่มเติมจากประเภทของวิธีการชำระเงินที่ลูกค้าใช้ จะสามารถระบุความต้องการของลูกค้า รวมถึงสามารถบ่งบอกระดับความน่าเชื่อถือในแพลตฟอร์มหรือบริการของเราได้ค่ะ
  3. ความล้มเหลวในการชำระเงิน (Payment failures): ข้อมูลนี้เป็นการติดตามธุรกรรมที่ล้มเหลว ทั้งในส่วนของ Service ล่มเอง หรือกรณีที่ลูกค้ากำลังจะชำระเงิน แต่เปลี่ยนใจ ไม่ซื้อสินค้าหรือบริการแล้ว ซึ่งสิ่งนี้เป็นสัญญาณที่มีความสำคัญมากๆ ที่เราจะต้องทำการ Focus ค่ะ เพราะเป็นการระบุได้ถึงปัญหาทางการเงิน หรือความไม่พอใจ ซึ่งอาจนำไปสู่การเลิกใช้งานได้ในที่สุด
  4. การเปลี่ยนแปลงการใช้บริการ/การเป็นสมาชิก (Subscription changes): ซึ่งเราต้องพิจารณาทั้งในส่วนของการอัปเกรด ดาวน์เกรด หรือการยกเลิกในการสมัครสมาชิกของ User ค่ะ โดยสิ่งนี้ยังมีความสัมพันธ์ (Correlation) ที่สะท้อนถึงความพึงพอใจของลูกค้าและมูลค่าการรับรู้โดยตรง

โดยขัันตอนนี้ไม่ได้เป็นเพียงการรวบรวมข้อมูล แต่ยังเป็นส่วนสำคัญที่ทำให้ทุกท่านเลือกหาฟีเจอร์ ที่จะมาเป็น Input ในการทำ Churn Prediction เพื่อให้เราสามารถเข้าถึงมีนัยยะสำคัญสำหรับการวิเคราะห์ ซึ่งข้อมูลที่เตรียมไว้อย่างเหมาะสมจะช่วยเพิ่มความสามารถของโมเดลในการทำนายการเลิกใช้งานที่อาจเกิดขึ้นได้อย่างแม่นยำ ดังนั้นการพิจารณาข้อมูลที่จะนำมาเป็นฟีเจอร์ในโมเดลจึงมีความสำคัญเป็นอย่างยิ่งค่ะ^^

Panaya Sudta

จากบทความนี้ คิดว่าเพื่อนๆ นักวิเคราะห์ข้อมูล และนักการตลาดน่าจะสามารถมองหา และเลือก Dataset หรือชุดข้อมูลที่เหมาะสมประกอบการประเมินโอกาสสูญเสียลูกค้าได้ ซึ่งหลักการนี้สามารถใช้ได้ทั้งในส่วนของท่านที่ทำธุรกิจประเภท Retail อยู่แล้ว รวมถึงธุรกิจประเภทอื่นๆ และสำหรับท่านใดที่เลือกชุดข้อมูลของสินค้า/บริการที่ต้องการนำมาประเมินได้แล้ว สามารถนำไปของทำการ Prediction ด้วย ML Model เพิ่มเติมตามวิธีการในบทความนี้ได้เลยค่ะ =>

Panaya Sudta

Hi, I am Nick,,,,Panaya Sudta (●'◡'●) Engineer during the daytime. Researcher at night. Reader in spare time. (❁´◡`❁) วิศวกร/นักวิจัย/ Market research ค่ะ หวังเป็นอย่างยิ่งว่าจะได้แชร์มุมมองกันนะคะ

Leave a Reply

Your email address will not be published. Required fields are marked *

#การตลาดวันละโพล ผมอยากฟังปัญหาคุณ

ตอนนี้ธุรกิจคุณมีปัญหาอะไร ?