@ARTICLE{26583204_823229445_2023, author = {Ю. А. Зеленков and А. С. Сучкова}, keywords = {, отток клиентов, предсказание оттока клиентов, RFM модель, расширение RFM модели, паттерны поведения клиентапредиктивная аналитика}, title = {

Прогнозирование оттока клиентов на основе паттернов изменения их поведения

}, journal = {Бизнес-информатика}, year = {2023}, number = {1 Vol.17}, pages = {7-17}, url = {https://bijournal.hse.ru/2023--1 Vol.17/823229445.html}, publisher = {}, abstract = {      Удержание клиентов является одной из главных задача бизнеса, при этом крайне важно распределить ресурсы на удержание в соответствии с потенциальной прибыльностью потребителя. Чаще всего задача прогнозирования оттока клиентов решается на основе RFM (Recency, Frequency, Monetary) модели. В работе предлагается способ расширения RFM модели с помощью оценок вероятности изменения поведения клиента. На основе анализа данных о 33918 покупателях крупной российской торговой сети за 2019-2020 гг. показано, что существуют повторяющиеся паттерны изменения их поведения длительностью в один год. Информация об этих паттернах используется для вычисления необходимых оценок вероятности. Включение этих данных в предиктивную модель на основе логистической регрессии увеличивает точность прогнозирования более чем на 10% по метрикам AUC и геометрическое среднее. Показано также, что данный подход имеет ограничения, связанные с нарушением паттернов поведения в случае внешних шоков, таких как локдаун из-за пандемии COVID-19 в апреле 2020 г. В работе также предложен способ идентификации этих шоков, позволяющий спрогнозировать снижение предиктивной способности модели.}, annote = {      Удержание клиентов является одной из главных задача бизнеса, при этом крайне важно распределить ресурсы на удержание в соответствии с потенциальной прибыльностью потребителя. Чаще всего задача прогнозирования оттока клиентов решается на основе RFM (Recency, Frequency, Monetary) модели. В работе предлагается способ расширения RFM модели с помощью оценок вероятности изменения поведения клиента. На основе анализа данных о 33918 покупателях крупной российской торговой сети за 2019-2020 гг. показано, что существуют повторяющиеся паттерны изменения их поведения длительностью в один год. Информация об этих паттернах используется для вычисления необходимых оценок вероятности. Включение этих данных в предиктивную модель на основе логистической регрессии увеличивает точность прогнозирования более чем на 10% по метрикам AUC и геометрическое среднее. Показано также, что данный подход имеет ограничения, связанные с нарушением паттернов поведения в случае внешних шоков, таких как локдаун из-за пандемии COVID-19 в апреле 2020 г. В работе также предложен способ идентификации этих шоков, позволяющий спрогнозировать снижение предиктивной способности модели.} }