Predicting Customer Churn in Telecom Services Using Machine Learning

في عالم الاتصالات، لا تُقاس صحة الشركة فقط بعدد المشتركين الجدد، بل بعدد من يستمرون فيها. فبالنسبة للشركات التي تعتمد على الاشتراكات الشهرية، فإن فقدان العميل يمثل ضربة مزدوجة: حيث تخسر الشركة الدخل المباشر من ذلك الشخص، وعليها أيضاً إنفاق مبلغ كبير لإيجاد بديل له. ولأن اكتساب مشترك جديد أكثر تكلفة بكثير من الحفاظ على مشترك حالي، فقد أصبحت القدرة على التنبؤ بمن يوشك على الرحيل مهارة تجارية بالغة الأهمية. تقليدياً، كانت الشركات غالباً ما تكتشف رحيل العميل بعد إلغاء الخدمة بالفعل، وعند تلك النقطة يكون الوقت قد فات للتدخل. والهدف من تحليل البيانات الحديث في هذا المجال هو التحول من مجرد الاستجابة للرحيل إلى استباقه، وذلك باستخدام السجلات التاريخية لسلوك العملاء لرصد علامات التحذير قبل كسر العقد.

قام باحثان من معهد تشاتانيا بهاراتي للتكنولوجيا في حيدر آباد، الهند، بمعالجة هذا التحديد عبر بناء نظام مصمم لتحديد العملاء المعرضين لخطر الرحيل قبل أن يفعلوا ذلك فعلياً. ويركز عملهما، الذي يحمل عنوان "التنبؤ بانصراف العملاء في خدمات الاتصالات باستخدام تعلم الآلة"، على نوع محدد من البرامج الحاسوبية المعروف باسم "المصنف" (classifier). وببساطة، هذا المصنف هو أداة تتعلم من الأمثلة الماضية لتقديم تنبؤات حول المستقبل. وقد غدّى الباحثون نظامهم بمجموعة كبيرة من البيانات الواقعية التي تحتوي على معلومات حول أكثر من 7,000 مشترك فردي. وتضمنت هذه البيانات تفاصيل حول هوية العملاء، ومدة بقائهم مع الشركة، والخدمات التي استخدموها، وكيفية سداد فواتيرهم، وما إذا كانوا قد قرروا في النهاية إلغاء خدمتهم.

قام الفريق بتدريب نظامهم على البحث عن أنماط في هذه المعلومات ترتبط بقرار العميل إلغاء خدمته. واختبروا عدة مقاربات رياضية مختلفة لمعرفة أي منها يعمل بشكل أفضل في رصد هذه الأنماط. وبينما تتسم بعض الطرق بالتعقيد وتعمل كـ "صندوق أسود"، اختار الباحثون في النهاية نهجاً مباشراً يُعرف باسم "الانحدار اللوجستي" لأداتهم النهائية. وكان هذا الاختيار مدفوعاً بالرغبة في الوضوح؛ إذ لم يقتصر نجاح الطريقة المختارة على الأداء الجيد فحسب، بل سمح للفريق أيضاً بفهم العوامل التي تدفع العميل نحو الرحيل بدقة. والنتيجة هي لوحة تحكم رقمية تسمى "ChurnGuard AI"، والتي تعمل كأداة لدعم اتخاذ القرار. وبدلاً من عرض الأرقام الخام، تقوم لوحة التحكم بترجمة حسابات الكمبيوتر إلى مستويات خطر واضحة، مما يساعد الموظفين على تحديد من يجب الاتصال به وكيفية القيام بذلك.

وعندما اختبر الباحثون نظامهم على مجموعة من العملاء الذين لم يسبق للنظام رؤيتهم من قبل، أظهرت النتائج ميزة واضحة مقارنة بعدم فعل أي شيء. إن استراتيجية بسيطة تفترض عدم رحيل أحد ستكون صحيحة بنسبة 73 بالمائة تقريباً، لمجرد أن معظم الناس يستمرون في الخدمة. ومع ذلك، فإن هذه الاستراتيجية ستفشل تماماً في مهمتها الفعلية: فهي لن تحدد شخصاً واحداً ممن يوشكون على الرحيل. وفي المقابل، تمكن النظام الجديد من تحديد ما يقرب من 78 بالمائة من العملاء الذين كانوا سيقومون بإلغاء خدمتهم بالفعل. ورغم أن النظام قد صنف بعض العملاء المستمرين كأشخاص معرضين للخطر، إلا أن الباحثين قرروا أن هذه المقايضة مقبولة. ففي مجال الحفاظ على العملاء، من الأفضل عموماً إجراء مكالمة هاتفية إضافية لعميل مخلص بدلاً من تفويت فرصة إنقاذ عميل يوشك على الرحيل.

وقد كشف التحليل عن سلوكيات محددة تتنبأ بقوة برحيل العميل. فكان العامل الأكثر أهمية هو نوع العقد الذي يحمله العميل؛ حيث كان أصحاب العقود الشهرية أكثر عرضة للرحيل مقارنة بأولئك المرتبطين بعقود لمدة سنة أو سنتين. بالإضافة إلى ذلك، كان العملاء الجدد ذوو السجلات القصيرة مع الشركة، وأولئك الذين لا يستخدمون خدمات إضافية مثل الأمن عبر الإنترنت أو الدعم الفني، هم الأكثر عرضة للخطر بشكل كبير. وقد نجح النظام في رسم هذه العلاقات، مما سمح للوحة التحكم بتوضيح ليس فقط من هو المعرض للخطر، ولكن أيضاً لماذا. فعلى سبيل المثال، يمكنها إظهار أن العميل الذي لديه خطة شهرية ولا يستخدم الدعم الفني هو على الأرجاملحتمال كبير للرحيل، مما يشير إلى أن تقديم خصم للتحول إلى عقد أطول أو إضافة خدمة دعم قد يكون هو الخطوة الصحيحة.

ويقر الباحثون بأن النظام ليس مثالياً. فبينما ينجح في رصد غالبية العملاء الذين يوشكون على الرحيل، فإنه يتسبب أيضاً في عدد من الإنذارات الكاذبة، عبر تصنيف بعض العملاء المخلصين كأشخاص معرضين للخطر. وهذا عيب معروف، لكن المؤلفين يجادلون بأن القدرة على رصد غالبية العملاء المعرضين للخطر أكثر قيمة من الدقة المثالية بالنسبة للإصدار الأول من أداة كهذه. ويقترحون أنه يمكن تحسين النسخ المستقبلية لتقليل هذه الإنذارات الكاذبة، ربما من خلال تعديل حساسية النظام أو دمج بيانات مالية أكثر تفصيلاً حول مقدار الإيرادات التي يجلبها كل عميل.

في الختام، يوضح هذا العمل كيف يمكن تحويل البيانات إلى أصل عملي. فمن خلال نقل التحليل من دفتر ملاحظات البحث إلى واجهة سهلة الاستخدام، أنشأ الباحثون أداة يمكن للموظفين غير التقنيين استخدامها يومياً. إن النظام لا يحل محل التقدير البشري، بل يوفر نقطة انطلاق واضحة قائمة على البيانات لجهود الحفاظ على العملاء. فهو يحول المفهوم المجرد لـ "انصراف العملاء" إلى قائمة قابلة للإدارة من الإجراءات، مما يسمح للشركات بأن تكون استباقية بدلاً من أن تكون رد فعل. وفي صناعة تكون فيها تكلفة فقدان العميل مرتفعة، فإن القدرة على رؤية علامات التحذير مبكراً توفر مساراً ملموساً للاستقرار والنمو.