Applied predictive customer analytics for loyalty and retention

Tryggð viðskiptavina er lykilþáttur í arðsemi í smásölu, en erfitt reynist að spá fyrir um hvaða viðskiptavinir halda áfram viðskiptum, hverjir draga úr eyðslu og hverjir verða óvirkir. Í þessari ritgerð eru skoðaðar aðferðir til spá fyrir um eyðslu, tryggð og brottfall, byggt á raungögnum frá íslensku olíufélagi, Orkunni. Með nýtingu gagna úr ýmsum áttum, viðskiptasögu, samskiptum, vildarkerfi og ytri samhengi - þróum við og metum vélanámslíkön sem spá fyrir um eyðslu næstu 90 daga. AutoML-samstæðulíkön eru borin saman við einfalda grunnspá og stök líkön. Besta líkanið (Random Forest) nær R2 ≈ 0,51 og lækkar meðalskekkju (MAE) um 57% miðað við grunnspána---úr um 23.000 kr. í um 13.000 kr. á hvern viðskiptavin. Mikilvægisgreining breyta leiðir í ljós að hegðunarbreytur---einkum RFM-skor (nýlægni, tíðni, virði) og viðskiptasaga---eru ráðandi, en breytur sem ekki eru beint tengdar viðskiptum, eins og samskipti, verðnæmni og ytri aðstæður, bæta einnig við. Stór hópur viðskiptavina með núll spáða eyðslu virkar sem nálgun á áhættu á brottfalli og gerir það kleift að greina viðskiptavini í hættu án formlegrar brottfallsmerkingar. Niðurstöðurnar sýna að nútíma AutoML-ferlar geta dregið fram nytsamlegar spár úr fjölbreyttum smásölugögnum og stutt markvissa varðveislu- og tryggðaraðgerðir. Hagnýtar ályktanir fela í sér að forgangsraða viðskiptavinum með hátt lífstímavirði og nýta þætti sem fyrirtækið getur haft bein áhrif á.