Churn Prediction Model - Model prognozujący ryzyko utraty klientów

Potrzeba biznesowa TP

Potrzeba wdrożenia innowacyjnych rozwiązań w TP: odchodzenie klientów

Zjawiskiem charakterystycznym dla branży telekomunikacyjnej jest niestabilna baza klientów spowodowana niewymuszonym odchodzeniem klientów (voluntary churn). Telekomunikacja Polska poszukiwała rozwiązania pozwalającego zbudować model danych opisujących zjawisko churnu oraz budować analityczne modele predykcyjne. Działania te pozwoliłyby lepiej poznać przyczyny odchodzenia klientów i w konsekwencji podejmować skuteczne działania utrzymaniowe.

Rozwiązanie wdrożone przez SAS Institute Polska

Zespół SAS Institute Polska razem z pracownikami TP opracował kompleksowe rozwiązanie pozwalające na zmniejszenie odsetka traconych (odchodzących) klientów. Rozwiązanie to obejmowało przeprowadzenie analiz wstępnych i analizy wykonalności w oparciu o analizę dostępnych źródeł danych, opracowanie koncepcji teoretycznej, budowę modelu danych, budowę i utrzymanie modelu analitycznego, transfer wiedzy do pracowników TP oraz stworzenie koncepcji wykorzystywania wyników modeli analitycznych i zintegrowanie jej z procesami utrzymania klientów i akcjami sprzedażowymi. SAS Institute Polska dostarczył również narzędzia do budowy modeli analitycznych - SAS Enterprise Miner.

Główne zadania wykonane w projekcie, to:

• Określenie zakresu zjawiska - istnieje wiele rodzajów churnu: churn dostępowy, ruchowy, windykacyjny, z rozróżnieniem na klientów indywidualnych i biznesowych. Przedmiotem projektu była budowa modeli analitycznych dla: churnu komercyjnego i windykacyjnego dla klientów indywidualnych,
• Stworzenie modelu danych, jego implementacja oraz zasilenie danymi z Systemu Strategicznych Analiz Korporacyjnych (SSAK);
• Zbudowanie modelu analitycznego przewidującego zjawisko churnu;
• Zbudowanie mechanizmu wyliczania wskaźnika churnu, po zakończeniu cyklu bilingowego;

Efektem końcowym prac było zautomatyzowanie comiesięcznego generowania list klientów TP z przypisanym prawdopodobieństwem rezygnacji w określonym horyzoncie czasowym. Po weryfikacji jakości modelu na danych historycznych okazało się, że jego skuteczność jest cztery razy większa niż metoda doboru losowego. Zmniejszenie odsetka klientów rezygnujących z usług oznacza dla TP wymierne oszczędności finansowe.