Data-Driven Telecom Marketing Optimization: A Machine Learning-Based Churn Prediction and Customer Segmentation Framework

एक टेलीकॉम कंपनी की कल्पना करें जो एक विशाल, शोर-शराबे वाली पार्टी की तरह है जहाँ हजारों लोग घूम रहे हैं। लंबे समय तक, मेजबानों (मार्केटिंग टीमों) ने सभी को खुश रखने के लिए पूरे कमरे पर एक ही बड़ा "न छोड़ें!" बैनर लगाने और सबको एक जैसे डिस्काउंट कूपन बांटने की कोशिश की। समस्या यह थी कि वे उन लोगों पर पैसा बर्बाद कर रहे थे जो पहले से ही बहुत मजे कर रहे थे और कभी जाने का विचार नहीं कर रहे थे, जबकि वे लोग जो वास्तव में पीछे के दरवाजे से चुपके से बाहर निकल रहे थे, उन्हें नजरअंदाज कर दिया गया।

यह पेपर एक जासूसी कहानी की तरह है जो इस अव्यवस्थपूर्ण, 'एक ही आकार सबके लिए' वाले दृष्टिकोण को एक सुपर-स्मार्ट, डेटा-संचालित बाउंसर सिस्टम से बदल देता है। यहाँ बताया गया है कि कैसे लेखकों, नादा अली, लीना अहमद और डॉ. ताहानी अब्दुल्ला अत्तिया ने इस कोड को सुलझाया।

बड़ी समस्या: "अंधा" पार्टी

लेखक तर्क देते हैं कि पारंपरिक मार्केटिंग एक आंखों पर पट्टी बांधकर चलते हुए लक्ष्य को हिट करने की कोशिश करने जैसा है। वे स्पष्ट रूप से इस विचार को खारिज करते हैं कि आप सिर्फ यह अनुमान लगा सकते हैं कि कौन जा रहा है और वहीं रुक सकते हैं। वे यह भी कहते हैं कि लोगों को केवल उनके खर्च करने की मात्रा के आधार पर समूह में बांटना (यह देखे बिना कि उनके जाने की कितनी संभावना है) एक गलती है। पेपर इस बात पर जोर देता है कि आपको दोनों काम एक साथ करने की आवश्यकता है: यह पता लगाना कि कौन जोखिम भरा है और वे कितने मूल्यवान हैं, फिर उनके साथ अलग तरह से व्यवहार करना।

जासूसी उपकरण: "सुपर-ब्रेन"

इस समस्या को हल करने के लिए, टीम ने तीन अलग-अलग "सुपर-ब्रेन" (एल्गोरिदम) का उपयोग करके एक मशीन लर्निंग पाइपलाइन बनाई ताकि यह अनुमान लगाया जा सके कि कौन छोड़ सकता है: XGBoost, LightGBM, और CatBoost। उन्होंने इन दिमागों को 7,043 ग्राहकों के डेटा पर प्रशिक्षित किया, जिसमें 21 अलग-अलग सुराग जैसे कि वे कितने समय से ग्राहक हैं, उनके पास किस तरह का इंटरनेट है, और वे अपने बिलों का भुगतान कैसे करते हैं, शामिल थे।

डेटा पेचीदा था। 7,043 ग्राहकों में से, केवल 1,869 (26.6%) वास्तव में जा रहे थे, जबकि 5,174 (73.4%) रुक रहे थे। यह कमरे में 100 लोगों के होने जैसा है जहाँ केवल 27 जाने की योजना बना रहे हैं; उन 27 को उन 73 के बीच पहचानना मुश्किल है जो रुक रहे हैं।

इसे ठीक करने के लिए, टीम ने एल्गोरिदम को केवल रैंडम अनुमान लगाने के लिए नहीं छोड़ा। उन्होंने दिमागों को पूरी तरह से ट्यून करने के लिए "रैंडमाइज्ड सर्च" नामक एक विशेष तकनीक का उपयोग किया और नियमों को इस तरह समायोजित किया कि एल्गोरिदम दुर्लभ "जाने वालों" पर अधिक ध्यान दें।

विजेता: CatBoost

एक भीषण प्रतियोगिता के बाद, CatBoost को चैंपियन घोषित किया गया। इसने केवल अनुमान नहीं लगाया; इसने उन सूक्ष्म संकेतों को पहचानना सीख लिया जो किसी ग्राहक के जाने के संकेत देते हैं।

• सटीकता (Accuracy): इसने 77.68% बार सही अनुमान लगाया।
• रिकॉल (Recall): इसने सफलतापूर्वक उन लोगों को पकड़ा जो वास्तव में जा रहे थे (73.53%) (यह बहुत महत्वपूर्ण है क्योंकि किसी जाने वाले को मिस करना पैसे का नुकसान है)।
• प्रिसिजन (Precision): जब इसने कहा कि कोई जा रहा है, तो यह 56.12% बार सही था।
• स्कोर: इसने 0.6366 का F1-स्कोर और 0.6553 का PR-AUC प्राप्त किया।

पेपर नोट करता है कि हालांकि LightGBM ने थोड़े अधिक जाने वालों को खोजा, लेकिन इसने "भेड़िया आया" की चेतावनी भी बहुत बार दी (कम प्रिसिजन), जिससे उन लोगों पर पैसा बर्बाद होता जो वास्तव में जा नहीं रहे थे। CatBoost ने सही संतुलन पाया।

जादुई मानचित्र: पार्टी मेहमानों की छंटनी

एक बार जब सिस्टम जान गया कि कौन जोखिम भरा है, तो टीम केवल वहीं नहीं रुकी। उन्होंने ग्राहकों को तीन वैल्यू बकेट में समूहबद्ध करने के लिए K-Means क्लस्टरिंग (एक स्मार्ट सॉर्टिंग मशीन की तरह) का उपयोग किया: हाई-वैल्यू (उच्च मूल्य), मीडियम-वैल्यू (मध्यम मूल्य), और लो-वैल्यू (कम मूल्य)।

फिर उन्होंने इन वैल्यू बकेट को "रिस्क" लेबल के साथ क्रॉस किया ताकि चार अलग-अलग समूह बनाए जा सकें:

1. हाई-रिस्क / हाई-वैल्यू: वे VIP जो जाने वाले हैं। (केवल 6.1% ग्राहक, लेकिन उन्हें खोना सबसे महंगा है)।
2. लो-रिस्क / हाई-वैल्यू: वे VIP जो खुश हैं और रुक रहे हैं।
3. मीडियम-वैल्यू: एक बड़ा समूह (33.0% ग्राहक) जिसमें आश्चर्यजनक रूप से 51.7% की उच्चतम चर्न दर देखी गई।
4. लो-वैल्यू: बजट वाला वर्ग।

रणनीति: कस्टम आमंत्रण

यहीं पर पेपर वास्तव में व्यावहारिक हो जाता है। एक सामान्य ऑफर के बजाय, लेखकों ने प्रत्येक समूह के लिए विशिष्ट रणनीतियाँ बनाईं:

• हाई-रिस्क VIP के लिए: उन्हें "रेड कार्पेट" ट्रीटमेंट दें। व्यक्तिगत रिटेंशन, मुफ्त सेवा महीने और विशेष कंटेंट।
• हैप्पी VIP के लिए: उन्हें वफादार बनाए रखने के लिए ऑटोमेटेड चेक-इन और छोटे लॉयल्टी डिस्काउंट दें।
• मीडियम-वैल्यू भीड़ के लिए: उन्हें अपसेल करने की कोशिश करें (उन्हें अधिक सेवाएं बेचें) या यदि वे जोखिम भरे दिखते हैं तो लागत-कुशल रिटेंशन प्रदान करें।
• लो-वैल्यू भीड़ के लिए: इसे सस्ता और हल्का रखें। शायद एक छोटा रेफरल प्रोग्राम या फ्री ट्रायल, लेकिन बहुत अधिक खर्च न करें।

पेपर निवेश पर रिटर्न (ROI) की गणना करने के लिए एक सैद्धांतिक ढांचा प्रदान करता है। उनके सिम्युलेटेड परिदृश्यों में, हाई-रिस्क/हाई-वैल्यू समूह को लक्षित करने से 3.5x ROI मिल सकता है, जबकि लो-रिस्क/हाई-वैल्यू समूह 4.1x तक पहुंच सकता है क्योंकि उन्हें खुश रखने में बहुत कम लागत आती है। लेखक सावधानी बरतते हुए कहते हैं कि ये काल्पनिक अभियान लागतों के आधार पर सिम्युलेटेड नंबर हैं, न कि वास्तविक दुनिया के लाइव टेस्ट के परिणाम।

डैशबोर्ड: "बाउंसर का टैबलेट"

अंत में, लेखकों ने इसे केवल कंप्यूटर पर एक गणितीय समस्या के रूप में नहीं छोड़ा। उन्होंने Streamlit का उपयोग करके एक इंटरैक्टिव वेब ऐप बनाया। कल्पना करें कि एक मार्केटिंग मैनेजर के पास एक टैबलेट है जिसे वह बिना कोडिंग जाने उपयोग कर सकता है। वे ग्राहकों की सूची अपलोड कर सकते हैं, "हाई रिस्क" या "लो वैल्यू" के आधार पर फ़िल्टर कर सकते हैं, और तुरंत देख सकते हैं:

• कौन जा रहा है उसका एक मैप।
• बिल्कुल क्या कहना है, उसकी एक सूची।
• सभी विवरणों के साथ एक डाउनलोड करने योग्य रिपोर्ट।

निचोड़

पेपर निष्कर्ष निकालता है कि चर्न प्रेडिक्शन (ग्राहक छोड़ने का अनुमान) को वैल्यू सेगमेंटेशन (मूल्य विभाजन) के साथ जोड़ना ही असली गेम-चेंजर है। यह जानना पर्याप्त नहीं है कि कौन जा रहा है; आपको यह भी जानना होगा कि वे आपके लिए कितने मूल्यवान हैं ताकि यह तय किया जा सके कि उनके लिए कितनी कड़ी लड़ाई लड़नी है।

हालाँकि, लेखक अपनी सीमाओं के बारे में ईमानदार हैं। उन्होंने डेटा का एक सिंगल स्नैपशॉट (समय का एक फोटो) उपयोग किया, न कि ग्राहकों का वर्षों का वीडियो। उनके पास प्रतिस्पर्धियों का वास्तविक डेटा या मैक्रो-इकोनॉमिक खबरें नहीं थीं। ROI नंबर सैद्धांतिक सिमुलेशन हैं, लाइव अभियान के प्रमाणित परिणाम नहीं। वे सुझाव देते हैं कि भविष्य के कार्यों में रीयल-टाइम डेटा शामिल होना चाहिए और इन विचारों का वास्तविक दुनिया में परीक्षण किया जाना चाहिए।

संक्षेप में, पेपर सुझाव देता है कि यदि आप ग्राहकों को जाने से रोकना चाहते हैं, तो सभी के साथ एक जैसा व्यवहार करना बंद करें। उन VIP को खोजने के लिए स्मार्ट गणित का उपयोग करें जो चुपके से निकल रहे हैं, और उन्हें VIP ट्रीटमेंट दें, जबकि अपना बजट उन लोगों के लिए बचाएं जिन्हें वास्तव में इसकी आवश्यकता है।