Թվային բիզնեսի խիստ մրցակցային միջավայրում ամենաարժեքավոր ռեսուրսը միայն տվյալները չեն, այլ հաճախորդների վարքագծի «երբ»-ը կանխատեսելու ունակությունը։ Տարիներ շարունակ բիզնեսները հիմնվել են երկուական (binary) դասակարգման ստանդարտ մոդելների վրա՝ որոշելու համար, թե արդյոք հաճախորդը կհեռանա (churn), կամ թե արդյոք սարքավորումը կշարքից դուրս կգա։ Սակայն այս մոդելները հաճախ թերի են գործում, քանի որ ժամանակին վերաբերվում են որպես երկրորդական գործոնի։ Դրանք ասում են՝ արդյոք ինչ-որ բան տեղի կունենա, բայց չեն նշում, թե երբ այն տեղի կունենա։

Այստեղ է, որ Survival Analysis-ը (գոյատևման վերլուծություն) փոխում է մոտեցումը։ Սկզբնապես բժշկական հետազոտություններում հիվանդների կյանքի տևողությունը կանխատեսելու համար մշակված այս մեթոդը դարձել է ձեռնարկությունների առաջադեմ կանխատեսող վերլուծության հիմնաքարը։ Օգտագործելով Cox Proportional Hazards Model-ը (Կոքսի համամասնական ռիսկերի մոդել)՝ տվյալագետները կարող են դուրս գալ ստատիկ պատկերներից և սկսել մոդելավորել ժամանակի ընթացքում իրադարձությունների տեղի ունենալու հավանականությունը՝ աննախադեպ ճշգրտությամբ։ Բիզնեսի ղեկավարների համար սա նշանակում է անցում ռեակտիվ «հրդեհաշիջումից» դեպի կյանքի ցիկլի պրոակտիվ կառավարում։

Երկուական մոդելներից այն կողմ. «ժամանակ-իրադարձություն» մոդելավորման ուժը

Մեքենայական ուսուցման ավանդական ալգորիթմները, ինչպիսիք են Լոգիստիկ ռեգրեսիան կամ Random Forest-ը, դժվարանում են աշխատել «գրաքննված տվյալների» (censored data) հետ։ Իրական աշխարհում դուք հազվադեպ եք հետևում յուրաքանչյուր հաճախորդի մինչև նրանց հեռանալը. շատերը դեռ ակտիվ են լինում, երբ ձեր վերլուծությունն ավարտվում է։ Ստանդարտ մոդելները հաճախ անտեսում են այդ անհատներին կամ սխալ դասակարգում նրանց՝ հանգեցնելով կողմնակալ եզրակացությունների։

Գոյատևման վերլուծությունը, և հատկապես Կոքսի համամասնական ռիսկերի մոդելը, լուծում են այս խնդիրը՝ կենտրոնանալով Hazard Function-ի (ռիսկի գործառույթ) վրա։ Փոխարենը հարցնելու՝ «Նրանք կհեռանա՞ն», մենք հարցնում ենք՝ «Ո՞րն է նրանց՝ հենց այս պահին հեռանալու ակնթարթային ռիսկը»։

Ժամանակակից ձեռնարկության համար սա մի շարք առավելություններ է ստեղծում.

  • Հաճախորդի ցմահ արժեքի (CLV) մանրամասն վերլուծություն. Կանխատեսելով բաժանորդագրության կամ ներգրավվածության տևողությունը՝ ընկերությունները կարող են ավելի ճշգրիտ դրամական արժեք վերագրել հաճախորդների խմբին՝ հնարավորություն տալով օպտիմալացնել հաճախորդների ձեռքբերման ծախսերը (CAC)։
  • Կանխարգելիչ սպասարկման գործառնություններ. Արտադրության և արդյունաբերական IoT-ի ոլորտում բաղադրիչի ռիսկի ճշգրիտ մակարդակի իմացությունը թույլ է տալիս իրականացնել «ճիշտ ժամանակին» սպասարկում՝ կանխելով թանկարժեք պարապուրդները։
  • Ռեսուրսների դինամիկ բաշխում. CRM-փողրակում (pipeline) առաջատարների (leads) «գոյատևման կորը» հասկանալով՝ վաճառքի թիմերը կարող են առաջնահերթություն տալ այն պոտենցիալ հաճախորդներին, որոնք մոտենում են հեռանալու «վտանգավոր գոտուն»։

Նման խորաթափանցությունը փոխակերպող նշանակություն ունի։ Այն թույլ է տալիս հրաժարվել «մեկ չափսը բոլորի համար» պահպանման ռազմավարությունից և անցնել հիպեր-անհատականացված միջամտության մոդելին։

Գոյատևման վերլուծության ռազմավարական ROI-ն թվային փոխակերպման մեջ

Ձեռնարկությունների համակարգերում առաջադեմ վիճակագրական մոդելների ինտեգրումը կազմակերպչական հասունության հիմնական ցուցիչ է։ Այն ընկերությունները, որոնք կիրառում են գոյատևման վերլուծությունը, հաճախ նկատում են ներդրումների եկամտաբերության (ROI) զգալի աճ, քանի որ դադարում են կապիտալ վատնել ցածր հավանականություն ունեցող հաճախորդների պահպանման վրա։

Դիտարկենք ժամանակակից CRM էկոհամակարգը։ Շատ համակարգեր ծանրաբեռնված են «զոմբի»-առաջատարներով՝ կոնտակտներ, որոնք տեխնիկապես ակտիվ են, բայց վիճակագրորեն քիչ հավանական է, որ կդառնան հաճախորդ։ Կոքսի մոդելը կարող է մշակել այնպիսի փոփոխականներ, ինչպիսիք են ներգրավվածության հաճախականությունը, աջակցության տոմսերի պատմությունը և ժողովրդագրական փոփոխությունները՝ «իրադարձության ռիսկի» գնահատական տալու համար։ Երբ այս տվյալները մուտքագրվում են ավտոմատացված աշխատանքային հոսք, դրանք միջամտություն են հրահրում ճիշտ այն պահին, երբ ռիսկի մակարդակը բարձրանում է, այլ ոչ թե այն բանից հետո, երբ հաճախորդն արդեն հեռացել է։

Քանի որ բիզնեսները շարունակում են իրենց թվային փոխակերպման ուղին, այս մոդելների ընդունումն արագացվում է AI գործակալների ի հայտ գալով։ Փոխանակ մարդ-վերլուծաբանները ձեռքով գործարկեն այս մոդելները եռամսյակային կտրվածքով, ինքնավար գործակալները կարող են իրական ժամանակում մշտադիտարկել ռիսկի մակարդակները։ Երբ մոդելը հայտնաբերում է հաճախորդի հեռանալու բարձր ռիսկ, AI գործակալը կարող է ավտոմատ կերպով ուղարկել պահպանման հատուկ առաջարկ կամ անհատականացված էլեկտրոնային նամակների շարք՝ փակելով կապը պատկերացման և գործողության միջև։

Մոդելի ներդրում. մարտահրավերներ և հեռանկարներ

Թեև գոյատևման վերլուծության մաթեմատիկան՝ մասնավորապես գոյատևման կորերը վիզուալացնող Kaplan-Meier գնահատիչը և Կոքսի մոդելի կիսապարամետրիկ բնույթը, կարող են բարդ թվալ, մուտքի խոչընդոտները երբեք այսքան ցածր չեն եղել։ Python-ի բարձրակարգ գրադարանների, ինչպիսիք են lifelines-ը և scikit-survival-ը, շնորհիվ տվյալագիտության թիմերը կարող են այս մոդելները ներդնել արտադրական միջ