ما وابستگی های چند متغیره احتمالی را برای متغیر عددی نرخ رویگردانی مشتری به وسیله نمودارهای پراکنش دو و یا سه بعدی، بررسی خواهیم کرد. پراکنش افزارها و تعداد تماس ها با بخش خدمات مشتری را در مقابل دقایق روز در نظر بگیرید. مشتریانی که تعداد تماس ها با بخش خدمات مشتری برای آن‌ها دارای مقدار زیادی است و مقدار دقایق روز برای آن‌ها دارای مقدار کمی است که در قسمت نرخ رویگردانی بالا قرار میگیرند. توجه داشته باشید، اگر خود را به تحلیل اکتشافی یک متغیره محدود کنیم (متغیر اکتشافی یک متغیره)، نمی‌توانیم این گروه از مشتریان را شناسایی نماییم. این موضوع به دلیل اثر متقابل متغیرهاست.
به طور کلی نرخ رویگردانی مشتریانی که تعداد تماس‌های آن‌ها با بخش خدمات مشتری بیشتر است، بالاست. اما از بین مشتریانی که دارای تعداد تماس های بیشتری با بخش خدمات مشتری هستند، آن دسته از مشتریانی که تعداد دقایق روز بیشتری دارند، نرخ رویگردانی بالایی ندارند.
در اینجا بدون توجه به تعداد تماس ها با بخش خدمات مشتری، مشتریانی که دارای عدد بالایی برای دقایق روز هستند، دارای نرخ رویگردانی بالاتری هستند. به عبارت دیگر، این مشتریان همان مشتریانی هستند که به وسیله یک هیستوگرام یک متغیره شناسایی شدند.رابین هوش اولین شرکت دیجیتال مارکتینگ برمبنای هوش مصنوعی برای اطلاعات بیشتر کلیک کنید.
گاهی اوقات نمودارهای پراکنش سه بعدی نیز می‌توانند سودمند باشند. برای چرخش زاویه نمایش در لبه های نمودار، دکمه های پیمایش در نظر گرفته شده‌اند، بدین ترتیب امکان بررسی نقاط در یک محیط سه بعدی فراهم شده است.

نرخ رویگردانی مشتریان

دسته بندی

دسته بندی، به طبقه بندی متغیرهای عددی یا رسته ای در یک مجموعه از رسته ها، به منظور آسان سازی تحلیل اشاره دارد. به عنوان مثال، تعداد دقایق روز را می‌توان به سه طبقه: کم، متوسط و زیاد تقسیم نمود. با استفاده از خدمات دیجیتال مارکتینگ برمبنای هوش مصنوعی شرکت رابین هوش می‌توانید به کسب و کار خود رونق ببخشید.
متغیر رسته ای ایالت را نیز می‌توان دسته بندی نمود و یک متغیر جدید به نام ناحیه ایجاد کرد. در این متغیر، ممکن است کالیفرنیا، ارگان، واشینگتن، آلاسکا و هاوایی در دسته پاسیفیک قرار گیرد و غیره. به بیان دقیق‌تر، دسته بندی هم یک فعالیت آماده سازی داده ها است و هم یک فعالیت اکتشافی.
استراتژی های مختلفی، جهت دسته بندی کردن متغیرهای عددی وجود دارد. یک روش این است که همانند هیستوگرام های متساوی العرض، کلاس‌های هم عرضی را ایجاد کرد.

نرخ رویگردانی مشتریان

روش دیگر، سعی در یکسان سازی تعداد رکوردهای هر کلاس دارد. شما ممکن است روش دیگری را در نظر بگیرید که در آن با توجه به متغیر هدف، مجموعه داده ها را به گروه‌های معینی از رکوردها افراز کنید، به نحوی که رکوردهای هر کلاس رفتار مشابهی را از خود بروز دهند.
در مثال بالا نرخ رویگردانی مشتریانی که تعداد تماس های آن‌ها با بخش خدمات مشتری کمتر از چهار است، کمتر از نرخ رویگردانی مشتریانی است که مقدار این متغیر برای آن‌ها چهار یا بیشتر از آن است. بنابراین، ممکن است تصمیم بگیریم که متغیر تعداد تماس‌ها با بخش خدمات مشتری را به دو طبقه کم و زیاد تقسیم نماییم. برای اطلاع از قیمت دیجیتال مارکتینگ بر مبنای هوش مصنوعی کلیک کنید.
نرخ رویگردانی مشتریانی که تعداد تماس‌های آن‌ها با بخش خدمات مشتری کم است، برابر با 11.25درصد است، در حالی که نرخ رویگردانی مشتریانی که تعداد تماس‌های آن‌ها با بخش خدمات مشتری زیاد است، برابر با 69.51 درصد است. بنابراین نرخ رویگردانی دسته زیاد، تقریبا 4 برابر نرخ رویگردانی دسته کم است.

حال بیایید بینش هایی را که نسبت به مجموعه داده های رویگردانی مشتری، توسط تحلیل اکتشافی داده ها به دست آورده‌ایم، بررسی کنیم.

  • چهار متغیر هزینه، توابعی خطی از فیلدهای دقیقه هستند و باید حذف شوند.
  • فیلد کد ناحیه و یا فیلدهایی ک غیرعادی هستند و بایستی تا زمانی که طبقه بندی دیگری به دست نیامده است، حذف شوند.
  • همبستگی بین بقیه متغیرهای پیشگوکننده ضعیف است، این امر به ما این امکان را می‌دهد که این متغیرها را برای مدل های داده کاوی نگهداری کنیم.
  • اگر می‌خواهید برای تبلیغ کسب وکارتان در شبکه های اجتماعی از رقبایتان پیشی بگیرید روی ارتباط سریع با سلبریتی ها کلیک کنید.

بینش های به دست آمده با توجه به رویگردانی مشتری

  • مشتریانی که از طرح بین المللی استفاده می‌کنند، تمایل بیشتری به رویگردانی از شرکت دارند.
  • مشتریانی که از طرح پست صوتی استفاده می‌کنند، تمایل کمتری به رویگردانی از شرکت دارند.
  • نرخ رویگردانی مشتریانی که تعداد تماس آن‌ها با بخش خدمات مشتری 4 یا بزرگتر از آن است، بیشتر از نرخ رویگردانی دیگر مشتریان است.
  • مشتریانی که تعداد دقایق غروب ودقایق روز بالایی دارند، نسبت به دیگر مشتریان تمایل بیشتری به رویگردانی از شرکت دارند.
  • نرخ رویگردانی مشتریانی که تعداد دقایق غروب و دقایق روز بالایی دارند، تقریبا سه برابر نرخ رویگردانی دیگر مشتریان است.
  • نرخ رویگردانی مشتریانی که تعداد دقایق روز آن‌ها کم و تعداد تماس آن‌ها با بخش خدمات مشتری آن‌ها زیاد است، بیشتر از نرخ رویگردانی دیگر مشتریان است.‌‌
  • بین رویگردانی مشتری و متغیرهای تعداد تماس های روز، تعداد تماس های غروب، تعداد تماس های شب، تعداد تماس های بین المللی، مدت حساب و تعداد پیام های پست صوتی رابطه آشکاری وجود ندارد.

متذکر می‌شویم که هنوز هیچ یک از الگوریتم های داده کاوی مانند درخت تصمیم یا شبکه عصبی را برای این مجموعه از داده ها به کار نگرفته‌ایم. اما با استفاده مناسب از تحلیل اکتشافی داده ها بینش قابل توجهی نسبت به خصیصه‌هایی که با رویگردانی مشتری ارتباط دارند، کسب کرده‌ایم. این بینش ها را می‌توان به سادگی به پیشنهادهای اجرایی تبدیل نمود، در نتیجه شرکت می‌تواند جهت کاهش نرخ رویگردانی مشتری اقداماتی را انجام دهد.

برای مطالعه مقاله های دیگر در زمینه‌ی تحلیل داده کلیک کنید.

نرخ رویگردانی مشتریان