黑科技！Kochava推出預測客戶流失分析功能ChurnModeling

 流失是移動營銷人員面臨的一個真正問題，他們花費數(shù)百萬美元購買新用戶，然后在安裝后的幾天內(nèi)失去他們，流失很昂貴。 營銷人員不僅需要花錢購買新用戶，而且對他們再營銷成本也超過了初始投資。

客戶流失分析是一個解決方案，但需要營銷團隊投入大量時間。 本質(zhì)上，沒有快速或單一的方式來回答為什么用戶流失。

為了幫助營銷人員減少客戶流失，Kochava開發(fā)了Churn Modeling作為Analytics中的一個額外事件，以幫助營銷人員識別最有可能流失的用戶。 使用機器學習，流失模型可以識別最有可能流失的用戶展示的模式。 一旦確定，它就根據(jù)其風險等級對用戶進行評分和分組。

通過流失建模獲得優(yōu)勢

流失建模事件（“_PredictedChurn”）是預測用戶流失可能性的機器學習模型的結(jié)果。 首先，該算法根據(jù)歷史數(shù)據(jù)“學習”指示流失的用戶行為。 這些數(shù)據(jù)包括安裝后的前七天內(nèi)觀察到的新近度、頻率和趨勢指標。 然后將生成的模型應用于新用戶，并預測哪些用戶可能在隨后的30天內(nèi)流失。

用戶根據(jù)流失的可能性（高，中高，中低，低）進行分組。 他們也有可能被攪動（0到1之間），這對自定義視圖和過濾器很有用。 模型定期更新; 如果跟蹤新事件，模型將更新以解決數(shù)據(jù)中出現(xiàn)的任何新模式。

使用推送通知重新定位

客戶流失建模作為事件直接適用于推送通知。 證據(jù)表明，更有可能流失的用戶對推送通知會作出積極響應。 利用Kochava，營銷人員可以對可能流失的受眾群體啟動推送通知。

例如，在分析中，創(chuàng)建一批不太可能完成購買的用戶，并立即讓他們參與轉(zhuǎn)換。選擇“添加到購物車”事件和“預測流失”事件，并排除已購買的用戶。這將創(chuàng)建一批表示意向購買的用戶（添加一個項目到購物車），誰沒有完成購買，并且很有可能流失。然后，創(chuàng)建這些用戶的群組，并將其保存為受眾群體，以便在Engagement儀表板中進行訪問推送信息。例如，按可能性（組）進一步過濾隊列，并細分高組中的用戶。另一種選擇是另外根據(jù)屬性網(wǎng)絡進行過濾，并根據(jù)預測的流失事件進行拆分。